
# Librerias necesarias
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb
import numpy as np
from sklearn.metrics import jaccard_score
from sklearn import preprocessing
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, confusion_matrix
import itertools
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
from sklearn.preprocessing import StandardScaler

C:\Users\Usuario\anaconda3\lib\site-packages\pandas\core\arrays\masked.py:60: UserWarning: Pandas requires version '1.3.6' or newer of 'bottleneck' (version '1.3.5' currently installed).
  from pandas.core import (


import plotly.io as pio
pio.renderers.default = "notebook"


# Importación de dataset desde GitHub con especificación de codificación
url = 'https://raw.githubusercontent.com/ISPC-PP1-2024/proyecto/main/datos/DataCoSupplyChainDataset/DataCoSupplyChainDataset.csv'
df_1 = pd.read_csv(url, encoding='latin1')

# Ver los primeros registros
df_1.head()


# Se consulta la base de datos
df_1=pd.read_csv('C:\\Users\\Usuario\\Desktop\\2024\\materias\\CDIA\\2semestre\\pp1-cdia23\\ejemplo suply chain\\DataCoSupplyChainDataset.csv\\para jupyter\\DataCoSupplyChainDataset.csv', encoding='latin1', sep=',',  low_memory=False)


# filtramos el set de datos original por país para abarcar solo argentina, brasil y mexico
df = df_1[df_1['Order Country'].isin(['Argentina', 'Brasil', 'Mexico'])]


df_1.head()


# verificamos si existen filas duplicadas
duplicados=df[df.duplicated()]
if duplicados.empty:
    print("No hay filas duplicadas en el DataFrame.")
else:
    print("Las siguientes filas están duplicadas:")
    print(duplicados)

No hay filas duplicadas en el DataFrame.


# verificamos si tenemos valores vacíos
hay_vacios = df.isna().any().any()

if hay_vacios:
    print("El DataFrame contiene valores vacíos.")
else:
    print("El DataFrame no contiene valores vacíos.")

El DataFrame contiene valores vacíos.


#Buscamos valores negativos en las columnas y mostramos si alguna los tiene
def check_negative_values(df_1, columns):
    results = {}
    for col in columns:
        if col not in df_1.columns:
            results[col] = f"La columna '{col}' no existe en el DataFrame"
            continue
        
        # Convertir la columna a numérica, coerciendo errores a NaN
        numeric_col = pd.to_numeric(df_1[col], errors='coerce')
        
        # Contar valores negativos, excluyendo NaN
        negative_count = (numeric_col < 0).sum()
        nan_count = numeric_col.isna().sum()
        
        if negative_count > 0:
            results[col] = f"Se encontraron {negative_count} valores negativos en '{col}'"
        else:
            results[col] = f"No se encontraron valores negativos en '{col}'"
        
        if nan_count > 0:
            results[col] += f". Además, hay {nan_count} valores no numéricos o nulos"

    return results

columns_to_check = ['Order Item Quantity', 'Sales', 'Order Item Total', 'Product Price']
results = check_negative_values(df_1, columns_to_check)

# Resultados
for col, result in results.items():
    print(result)

# Información adicional sobre tipos de datos
print("\nTipos de datos de las columnas:")
for col in columns_to_check:
    if col in df_1.columns:
        print(f"{col}: {df_1[col].dtype}")
    else:
        print(f"{col}: Columna no encontrada")

No se encontraron valores negativos en 'Order Item Quantity'
No se encontraron valores negativos en 'Sales'
No se encontraron valores negativos en 'Order Item Total'
No se encontraron valores negativos en 'Product Price'

Tipos de datos de las columnas:
Order Item Quantity: int64
Sales: float64
Order Item Total: float64
Product Price: float64


# quitar columnas vacias 
df = df.drop(['Product Description', 'Order Zipcode', 'Product Status'], axis=1)


#ELIMINAMOS COLUMNAS DEL DATAFRAME QUE NO USAMOS.
columnas_a_eliminar = ['Sales per customer','Category Id','Customer City','Customer Email','Customer Fname','Customer Lname',
'Customer Password','Customer State','Customer Street','Customer Zipcode','Department Id','Department Name','Latitude',
'Longitude','Market','Order City','Order Customer Id','Order Item Cardprod Id','Order Item Discount', 'Order Item Discount Rate',
'Order Item Profit Ratio','Product Image']

df = df.drop(columns=columnas_a_eliminar)


# Traducimos las columnas para facilitar el manejo y sacar los espacios
df_espanol=df
df_espanol.rename(columns={'Category Name':'Categoria',
                           'Type':'Pago'
                           ,'Days for shipping (real)':'DiasEnvio(Real)'
                           , 'Days for shipment (scheduled)':'DiasEnvio(Programado)'
                           , 'Benefit per order':'BeneficioPorPedido'
                           , 'Delivery Status':'EstadoEntrega'
                           , 'Late_delivery_risk':'RiesgoEntregaTardia'
                           , 'Category Name':'Categoria'
                           , 'Customer Country':'PaisCliente'
                           , 'Customer Id':'IDCliente'
                           , 'Customer Segment':'SegmentoCliente'
                           , 'Order Country':'PaisPedido'
                           , 'order date (DateOrders)':'FechaPedido'
                           , 'Order Id':'IDPedido'
                           , 'Order Item Id':'IDArticuloPedido'
                           , 'Order Item Product Price':'PrecioArticuloPedido'
                           , 'Order Item Quantity':'CantidadArticulosPedido'
                           , 'Sales':'Ventas'
                           , 'Order Item Total':'TotalArticulosPedido'
                           , 'Order Profit Per Order':'GananciaPorPedido'
                           , 'Order Region':'RegionPedido'
                           , 'Order State':'DestinoPedido'
                           , 'Order Status':'EstadoPedido'
                           , 'Product Card Id':'IDProducto'
                           , 'Product Category Id':'CategoriaProducto'
                           , 'Product Name':'NombreProducto'
                           , 'Product Price':'PrecioProducto'
                           , 'shipping date (DateOrders)':'FechaEnvio'
                           , 'Shipping Mode':'ModoEnvio'                                
                          
                          },inplace=True)


#utilizar cada uno de estos dataframes para cada ejemplo, para evitar variaciones en el desarrollo
df_lineal=df_logistica=df_arbol=df_cluster=df_espanol


# Veamos solo las columnas numéricas del DataFrame para analizar cuáles trabajaremos
columnas_numericas = df_lineal.select_dtypes(include=['number'])
columnas_numericas.columns

Index(['DiasEnvio(Real)', 'DiasEnvio(Programado)', 'BeneficioPorPedido',
       'RiesgoEntregaTardia', 'IDCliente', 'IDPedido', 'IDArticuloPedido',
       'PrecioArticuloPedido', 'CantidadArticulosPedido', 'Ventas',
       'TotalArticulosPedido', 'GananciaPorPedido', 'IDProducto',
       'CategoriaProducto', 'PrecioProducto'],
      dtype='object')


df_lineal[['Ventas','GananciaPorPedido']].head()


#Trabajamos los valores de las columnas
import re

# Creamos una función para limpiar los datos
def clean(benPP_str):
    if pd.isna(benPP_str):
        return None
    
    # Convertir a string si no lo es
    benPP_str = str(benPP_str)
    
    # Eliminar espacios en blanco y caracteres no numéricos excepto punto y coma
    cleaned = re.sub(r'[^\d.,]', '', benPP_str)
    
    # Reemplazar coma por punto si hay más de un punto (asumiendo que la coma es el separador decimal)
    if cleaned.count('.') > 1 and ',' in cleaned:
        cleaned = cleaned.replace(',', '.')
    
    # Si hay más de un punto, asumimos que todos menos el último son separadores de miles
    parts = cleaned.split('.')
    if len(parts) > 2:
        integer_part = ''.join(parts[:-1])
        decimal_part = parts[-1]
        cleaned = f"{integer_part}.{decimal_part}"
    
    try:
        return float(cleaned)
    except ValueError:
        print(f"No se pudo convertir: {benPP_str}")
        return None

# Aplicamos la función a la columna Ventas
df_lineal['Ventas'] = df_lineal['Ventas'].apply(clean)

# Aplicamos la función a la columna Ganancia por Pedido
df_lineal['GananciaPorPedido'] = df_lineal['GananciaPorPedido'].apply(clean)


df_lineal.plot.scatter(x='Ventas', y='GananciaPorPedido')
plt.show()


#Establecemos los valores de los parámetros de la recta:
w=1
b=0


x = np.linspace(0, df_lineal['Ventas'].max(), 100) #establecemos el rango de valores de la variable x
y = w*x+b

#gráficamos:
df_lineal.plot.scatter(x='Ventas', y='GananciaPorPedido')
plt.plot(x,y,'-r')
plt.ylim(0,df_lineal['GananciaPorPedido'].max()*1.1)
plt.show()


df_lineal['Predicciones'] = df_lineal['Ventas']*w+b #calculamos las predicciones


df_lineal['Diferencias'] = df_lineal['Predicciones']- df_lineal['GananciaPorPedido'] #Calculamos las diferencias
df_lineal['Cuadrados'] = df_lineal['Diferencias']**2 #Obtenemos los cuandrados


df_lineal.head()


df_lineal['Cuadrados'].mean() #Calculamos el promedio o error cuadrático medio

28505.89064694621


#grid del error:
w = np.linspace(0, 1, num=40) #trabajaremos con 20 valores diferentes dentro del rango
grid_error = pd.DataFrame(w, columns=['w'])
grid_error.head()


#Obtenemos los errores para cada valor:
def sum_error(w, df_espanol):
    b=0
    df_lineal['Predicciones'] = df_lineal['Ventas']*w+b
    df_lineal['Diferencias'] = df_lineal['Predicciones']-df_lineal['GananciaPorPedido']
    df_lineal['Cuadrados'] = df_lineal['Diferencias']**2
    return(df_lineal['Cuadrados'].mean())


#Agregamos los errores al nuevo df
grid_error['ecm']=grid_error['w'].apply(lambda x: sum_error(x, df_espanol=df_espanol))
grid_error.head()


#graficamos:
grid_error.plot(x='w',y='ecm')
plt.show()


#obtenemos el menor w:
w = grid_error['w'].values
ecm = grid_error['ecm'].values
coeficientes = np.polyfit(w, ecm, 2) #armamos la ecuación de la función y obtenemos los coeficientes
a = coeficientes[0]
b = coeficientes[1]
c = coeficientes[2]

# calculamos el vértice y mostramos el valor de w
x_vertice = -b / (2 * a)
y_vertice = a * x_vertice**2 + b * x_vertice + c

print("El valor mínimo de w es:", (x_vertice))

El valor mínimo de w es: 0.31621416430592464


# Por lo que el mejor modelo es el que tiene como valores w=0.316 y b=0


## También podemos hacer el análisis con sklear:


# usando sklear para saber los valores optimos
from sklearn.linear_model import LinearRegression

# definiendo input y output
X_train = np.array(df_lineal['Ventas']).reshape((-1, 1))
Y_train = np.array(df_lineal['GananciaPorPedido'])

# creando modelo
model = LinearRegression(fit_intercept=False)
model.fit(X_train, Y_train)

# imprimiendo parametros
print(f"intercepto (b): {model.intercept_}")
print(f"pendiente (w): {model.coef_}")

intercepto (b): 0.0
pendiente (w): [0.31621416]


# Importar las librerías necesarias
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split, GridSearchCV, cross_val_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
from sklearn.model_selection import learning_curve
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.tree import plot_tree


# Importación de dataset desde GitHub con especificación de codificación
url = 'https://raw.githubusercontent.com/ISPC-PP1-2024/proyecto/main/datos/DataCoSupplyChainDataset/DataCoSupplyChainDataset.csv'
df_1 = pd.read_csv(url, encoding='latin1')

# Ver los primeros registros
df_1.head()


# Se consulta la base de datos
#df_1=pd.read_csv('C:\\Users\\Usuario\\Desktop\\2024\\materias\\CDIA\\2semestre\\pp1-cdia23\\ejemplo suply chain\\DataCoSupplyChainDataset.csv\\para jupyter\\DataCoSupplyChainDataset.csv', encoding='latin1', sep=',',  low_memory=False)


# filtramos el set de datos original por país para abarcar solo argentina, brasil y mexico
#df = df_1[df_1['Order Country'].isin(['Argentina', 'Brasil', 'Mexico'])]


df_arbol.head()


# Ver información del dataset
df_arbol.info()

<class 'pandas.core.frame.DataFrame'>
Index: 9918 entries, 84 to 179624
Data columns (total 31 columns):
 #   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  
 0   Pago                     9918 non-null   object 
 1   DiasEnvio(Real)          9918 non-null   int64  
 2   DiasEnvio(Programado)    9918 non-null   int64  
 3   BeneficioPorPedido       9918 non-null   float64
 4   EstadoEntrega            9918 non-null   object 
 5   RiesgoEntregaTardia      9918 non-null   int64  
 6   Categoria                9918 non-null   object 
 7   PaisCliente              9918 non-null   object 
 8   IDCliente                9918 non-null   int64  
 9   SegmentoCliente          9918 non-null   object 
 10  PaisPedido               9918 non-null   object 
 11  FechaPedido              9918 non-null   object 
 12  IDPedido                 9918 non-null   int64  
 13  IDArticuloPedido         9918 non-null   int64  
 14  PrecioArticuloPedido     9918 non-null   float64
 15  CantidadArticulosPedido  9918 non-null   int64  
 16  Ventas                   9918 non-null   float64
 17  TotalArticulosPedido     9918 non-null   float64
 18  GananciaPorPedido        9918 non-null   float64
 19  RegionPedido             9918 non-null   object 
 20  DestinoPedido            9918 non-null   object 
 21  EstadoPedido             9918 non-null   object 
 22  IDProducto               9918 non-null   int64  
 23  CategoriaProducto        9918 non-null   int64  
 24  NombreProducto           9918 non-null   object 
 25  PrecioProducto           9918 non-null   float64
 26  FechaEnvio               9918 non-null   object 
 27  ModoEnvio                9918 non-null   object 
 28  Predicciones             9918 non-null   float64
 29  Diferencias              9918 non-null   float64
 30  Cuadrados                9918 non-null   float64
dtypes: float64(9), int64(9), object(13)
memory usage: 2.4+ MB


# Seleccionar características descriptivas y variable objetivo
X = df_arbol[['DiasEnvio(Real)', 'RiesgoEntregaTardia', 'Categoria', 'PaisCliente', 'ModoEnvio']]
y = df_arbol['EstadoEntrega']


# Convertir las columnas a tipo de categoría. Esto permite optimizar el uso de memoria y mejora el rendimiento del modelo.
df_arbol['Categoria'] = df_arbol['Categoria'].astype('category')
df_arbol['PaisCliente'] = df_arbol['PaisCliente'].astype('category')
df_arbol['ModoEnvio'] = df_arbol['ModoEnvio'].astype('category')
df_arbol['EstadoEntrega'] = df_arbol['EstadoEntrega'].astype('category')

# Verificar el tipo de datos para asegurar que se haya realizado la conversión correctamente.
print(df.dtypes)

Pago                         object
DiasEnvio(Real)               int64
DiasEnvio(Programado)         int64
BeneficioPorPedido          float64
EstadoEntrega              category
RiesgoEntregaTardia           int64
Categoria                  category
PaisCliente                category
IDCliente                     int64
SegmentoCliente              object
PaisPedido                   object
FechaPedido                  object
IDPedido                      int64
IDArticuloPedido              int64
PrecioArticuloPedido        float64
CantidadArticulosPedido       int64
Ventas                      float64
TotalArticulosPedido        float64
GananciaPorPedido           float64
RegionPedido                 object
DestinoPedido                object
EstadoPedido                 object
IDProducto                    int64
CategoriaProducto             int64
NombreProducto               object
PrecioProducto              float64
FechaEnvio                   object
ModoEnvio                  category
Predicciones                float64
Diferencias                 float64
Cuadrados                   float64
dtype: object


# Crear variables dummy (indicadoras) para las variables categóricas
X = pd.get_dummies(X, columns=['Categoria', 'PaisCliente', 'ModoEnvio'], drop_first=True)


# Verificar valores nulos
print(X.isnull().sum())

DiasEnvio(Real)                   0
RiesgoEntregaTardia               0
Categoria_As Seen on  TV!         0
Categoria_Baseball & Softball     0
Categoria_Boxing & MMA            0
Categoria_Camping & Hiking        0
Categoria_Cardio Equipment        0
Categoria_Cleats                  0
Categoria_Electronics             0
Categoria_Fishing                 0
Categoria_Fitness Accessories     0
Categoria_Girls' Apparel          0
Categoria_Golf Apparel            0
Categoria_Golf Bags & Carts       0
Categoria_Golf Balls              0
Categoria_Golf Gloves             0
Categoria_Golf Shoes              0
Categoria_Hockey                  0
Categoria_Hunting & Shooting      0
Categoria_Indoor/Outdoor Games    0
Categoria_Kids' Golf Clubs        0
Categoria_Lacrosse                0
Categoria_Men's Footwear          0
Categoria_Men's Golf Clubs        0
Categoria_Shop By Sport           0
Categoria_Soccer                  0
Categoria_Strength Training       0
Categoria_Tennis & Racquet        0
Categoria_Trade-In                0
Categoria_Water Sports            0
Categoria_Women's Apparel         0
Categoria_Women's Golf Clubs      0
PaisCliente_Puerto Rico           0
ModoEnvio_Same Day                0
ModoEnvio_Second Class            0
ModoEnvio_Standard Class          0
dtype: int64


# Dividir el dataset en conjunto de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)


# Inicializar el modelo
modelo = DecisionTreeClassifier(criterion='entropy')

# Entrenar el modelo
modelo.fit(X_train, y_train)

DecisionTreeClassifier(criterion='entropy')

DecisionTreeClassifier(criterion='entropy')


# Predecir en el conjunto de prueba
y_pred = modelo.predict(X_test)

# Evaluar precisión
precision = accuracy_score(y_test, y_pred)
print(f'Precisión del modelo: {precision}')

# Reporte de clasificación
print(classification_report(y_test, y_pred))

Precisión del modelo: 0.9813508064516129
                   precision    recall  f1-score   support

 Advance shipping       0.97      0.99      0.98       477
    Late delivery       1.00      1.00      1.00      1094
Shipping canceled       0.91      0.62      0.74        84
 Shipping on time       0.96      1.00      0.98       329

         accuracy                           0.98      1984
        macro avg       0.96      0.90      0.92      1984
     weighted avg       0.98      0.98      0.98      1984


# Definición del modelo para búsqueda de hiperpárametros.
dt_model = DecisionTreeClassifier(random_state=42)

# Definición de los parámetros a probar
param_grid = {
    'criterion': ['entropy', 'gini'],  # Criterio para dividir
    'max_depth': [None, 5, 10, 15, 20],  # Profundidad máxima
    'min_samples_split': [2, 5, 10]  # Mínimo de muestras para dividir
}

# Búsqueda de hiperparámetros
grid_search = GridSearchCV(estimator=dt_model, param_grid=param_grid, 
                           cv=5, scoring='accuracy', n_jobs=-1)

# Entrenamiento
grid_search.fit(X_train, y_train)

# Mejores hiperparámetros
best_params = grid_search.best_params_
print("Mejores Hiperparámetros:", best_params)

Mejores Hiperparámetros: {'criterion': 'entropy', 'max_depth': 5, 'min_samples_split': 2}


# Entrenando el modelo con los mejores hiperparámetros
best_dt_model = DecisionTreeClassifier(**best_params, random_state=42)
best_dt_model.fit(X_train, y_train)

DecisionTreeClassifier(criterion='entropy', max_depth=5, random_state=42)

DecisionTreeClassifier(criterion='entropy', max_depth=5, random_state=42)


# Predicciones
y_pred = best_dt_model.predict(X_test)

# Evaluación
accuracy = accuracy_score(y_test, y_pred)
print("Precisión del modelo mejorado:", accuracy)

# Reporte de clasificación
report = classification_report(y_test, y_pred)
print("Reporte de Clasificación:\n", report)

Precisión del modelo mejorado: 0.9838709677419355
Reporte de Clasificación:
                    precision    recall  f1-score   support

 Advance shipping       0.97      1.00      0.98       477
    Late delivery       1.00      1.00      1.00      1094
Shipping canceled       1.00      0.62      0.76        84
 Shipping on time       0.96      1.00      0.98       329

         accuracy                           0.98      1984
        macro avg       0.98      0.90      0.93      1984
     weighted avg       0.98      0.98      0.98      1984


import plotly.graph_objects as go
import numpy as np

# Supongamos que ya has entrenado el modelo y calculado la importancia de características
importances = modelo.feature_importances_
indices = np.argsort(importances)[::-1]

# Crear el gráfico de barras
fig = go.Figure([go.Bar(x=importances[indices], y=[X.columns[i] for i in indices], orientation='h')])

# Actualizar el diseño del gráfico
fig.update_layout(
    title='Importancia de Características',
    xaxis_title='Importancia',
    yaxis_title='Características',
    yaxis=dict(autorange='reversed')  # Para invertir el orden en el eje y
)

# Mostrar el gráfico
fig.show()


# Validación cruzada
cv_scores = cross_val_score(best_dt_model, X_train, y_train, cv=5)
print("Precisión promedio en Validación Cruzada:", cv_scores.mean())

Precisión promedio en Validación Cruzada: 0.9779425518339027


# Filtrando los errores
errors = X_test[y_pred != y_test]
print(errors)

        DiasEnvio(Real)  RiesgoEntregaTardia  Categoria_As Seen on  TV!  \
177934                3                    0                      False   
56225                 3                    0                      False   
51218                 2                    0                      False   
159540                2                    0                      False   
159530                3                    0                      False   
169783                2                    0                      False   
138117                4                    0                      False   
4962                  3                    0                      False   
113325                4                    0                      False   
114765                3                    0                      False   
50790                 4                    0                      False   
5683                  4                    0                      False   
1012                  4                    0                      False   
161165                3                    0                      False   
114041                2                    0                      False   
85575                 4                    0                      False   
177966                3                    0                      False   
177967                3                    0                      False   
30804                 3                    0                      False   
122646                2                    0                      False   
114882                3                    0                      False   
62377                 4                    0                      False   
30211                 3                    0                      False   
158237                2                    0                      False   
139162                2                    0                      False   
1812                  4                    0                      False   
122637                2                    0                      False   
1816                  4                    0                      False   
121251                4                    0                      False   
133749                3                    0                      False   
54375                 4                    0                      False   
160128                2                    0                      False   

        Categoria_Baseball & Softball  Categoria_Boxing & MMA  \
177934                          False                   False   
56225                           False                   False   
51218                           False                   False   
159540                          False                   False   
159530                          False                   False   
169783                          False                   False   
138117                          False                   False   
4962                            False                   False   
113325                          False                   False   
114765                          False                   False   
50790                           False                   False   
5683                            False                   False   
1012                            False                   False   
161165                          False                   False   
114041                          False                   False   
85575                           False                   False   
177966                          False                   False   
177967                          False                   False   
30804                           False                   False   
122646                          False                   False   
114882                          False                   False   
62377                           False                   False   
30211                           False                   False   
158237                          False                   False   
139162                          False                   False   
1812                            False                   False   
122637                          False                   False   
1816                            False                   False   
121251                          False                   False   
133749                          False                   False   
54375                           False                   False   
160128                          False                   False   

        Categoria_Camping & Hiking  Categoria_Cardio Equipment  \
177934                       False                       False   
56225                        False                       False   
51218                        False                       False   
159540                       False                       False   
159530                       False                       False   
169783                       False                       False   
138117                       False                       False   
4962                         False                       False   
113325                       False                       False   
114765                       False                       False   
50790                        False                       False   
5683                         False                       False   
1012                         False                       False   
161165                       False                       False   
114041                       False                       False   
85575                        False                       False   
177966                       False                       False   
177967                       False                       False   
30804                        False                        True   
122646                       False                       False   
114882                       False                       False   
62377                        False                       False   
30211                        False                       False   
158237                       False                       False   
139162                       False                       False   
1812                         False                        True   
122637                       False                        True   
1816                         False                       False   
121251                       False                       False   
133749                       False                       False   
54375                        False                       False   
160128                       False                       False   

        Categoria_Cleats  Categoria_Electronics  Categoria_Fishing  ...  \
177934             False                  False              False  ...   
56225              False                  False              False  ...   
51218              False                  False              False  ...   
159540             False                  False              False  ...   
159530             False                  False              False  ...   
169783             False                  False              False  ...   
138117             False                  False               True  ...   
4962               False                  False              False  ...   
113325             False                  False              False  ...   
114765             False                  False              False  ...   
50790              False                  False              False  ...   
5683               False                  False              False  ...   
1012               False                  False              False  ...   
161165              True                  False              False  ...   
114041             False                  False              False  ...   
85575              False                  False              False  ...   
177966             False                  False              False  ...   
177967             False                  False              False  ...   
30804              False                  False              False  ...   
122646             False                  False              False  ...   
114882             False                  False              False  ...   
62377               True                  False              False  ...   
30211              False                  False              False  ...   
158237             False                  False              False  ...   
139162             False                  False               True  ...   
1812               False                  False              False  ...   
122637             False                  False              False  ...   
1816                True                  False              False  ...   
121251             False                  False              False  ...   
133749             False                  False              False  ...   
54375              False                  False              False  ...   
160128             False                  False               True  ...   

        Categoria_Strength Training  Categoria_Tennis & Racquet  \
177934                        False                       False   
56225                         False                       False   
51218                         False                       False   
159540                        False                       False   
159530                        False                       False   
169783                        False                       False   
138117                        False                       False   
4962                          False                       False   
113325                        False                       False   
114765                        False                       False   
50790                         False                       False   
5683                          False                       False   
1012                          False                       False   
161165                        False                       False   
114041                        False                       False   
85575                         False                       False   
177966                        False                       False   
177967                        False                       False   
30804                         False                       False   
122646                        False                       False   
114882                        False                       False   
62377                         False                       False   
30211                         False                       False   
158237                        False                       False   
139162                        False                       False   
1812                          False                       False   
122637                        False                       False   
1816                          False                       False   
121251                        False                       False   
133749                        False                       False   
54375                         False                       False   
160128                        False                       False   

        Categoria_Trade-In  Categoria_Water Sports  Categoria_Women's Apparel  \
177934               False                   False                      False   
56225                False                    True                      False   
51218                False                   False                      False   
159540               False                   False                       True   
159530               False                   False                      False   
169783               False                   False                       True   
138117               False                   False                      False   
4962                 False                   False                       True   
113325               False                   False                      False   
114765               False                   False                      False   
50790                False                   False                      False   
5683                 False                   False                      False   
1012                 False                   False                      False   
161165               False                   False                      False   
114041               False                   False                      False   
85575                False                   False                      False   
177966               False                   False                      False   
177967               False                   False                      False   
30804                False                   False                      False   
122646               False                   False                      False   
114882               False                   False                      False   
62377                False                   False                      False   
30211                False                   False                       True   
158237               False                   False                       True   
139162               False                   False                      False   
1812                 False                   False                      False   
122637               False                   False                      False   
1816                 False                   False                      False   
121251               False                   False                      False   
133749               False                   False                      False   
54375                False                    True                      False   
160128               False                   False                      False   

        Categoria_Women's Golf Clubs  PaisCliente_Puerto Rico  \
177934                         False                     True   
56225                          False                     True   
51218                          False                     True   
159540                         False                     True   
159530                         False                     True   
169783                         False                    False   
138117                         False                     True   
4962                           False                    False   
113325                         False                    False   
114765                         False                    False   
50790                          False                    False   
5683                           False                     True   
1012                           False                    False   
161165                         False                     True   
114041                         False                    False   
85575                          False                    False   
177966                         False                    False   
177967                         False                    False   
30804                          False                     True   
122646                         False                     True   
114882                         False                     True   
62377                          False                    False   
30211                          False                     True   
158237                         False                     True   
139162                         False                     True   
1812                           False                    False   
122637                         False                     True   
1816                           False                    False   
121251                         False                    False   
133749                         False                    False   
54375                          False                    False   
160128                         False                     True   

        ModoEnvio_Same Day  ModoEnvio_Second Class  ModoEnvio_Standard Class  
177934               False                   False                      True  
56225                False                   False                      True  
51218                False                   False                      True  
159540               False                   False                      True  
159530               False                   False                      True  
169783               False                    True                     False  
138117               False                   False                      True  
4962                 False                   False                      True  
113325               False                   False                      True  
114765               False                   False                      True  
50790                False                   False                      True  
5683                 False                   False                      True  
1012                 False                   False                      True  
161165               False                   False                      True  
114041               False                   False                      True  
85575                False                   False                      True  
177966               False                   False                      True  
177967               False                   False                      True  
30804                False                   False                      True  
122646               False                    True                     False  
114882               False                   False                      True  
62377                False                   False                      True  
30211                False                   False                      True  
158237               False                    True                     False  
139162               False                   False                      True  
1812                 False                   False                      True  
122637               False                    True                     False  
1816                 False                   False                      True  
121251               False                   False                      True  
133749               False                   False                      True  
54375                False                   False                      True  
160128               False                   False                      True  

[32 rows x 36 columns]


from sklearn.metrics import confusion_matrix, classification_report
import matplotlib.pyplot as plt

# Matriz de confusión
cm = confusion_matrix(y_test, y_pred)

# Crear gráfico de matriz de confusión
plt.figure(figsize=(10, 7))
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title('Matriz de Confusión')
plt.colorbar()
tick_marks = range(len(set(y_test)))
plt.xticks(tick_marks, set(y_test), rotation=45)
plt.yticks(tick_marks, set(y_test))

# Añadir etiquetas
plt.xlabel('Predicción')
plt.ylabel('Real')

# Añadir valores a las celdas
thresh = cm.max() / 2.
for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
    plt.text(j, i, format(cm[i, j], 'd'),
             horizontalalignment="center",
             color="white" if cm[i, j] > thresh else "black")

plt.tight_layout()
plt.show()

# Reporte de clasificación
print(classification_report(y_test, y_pred))

                   precision    recall  f1-score   support

 Advance shipping       0.97      1.00      0.98       477
    Late delivery       1.00      1.00      1.00      1094
Shipping canceled       1.00      0.62      0.76        84
 Shipping on time       0.96      1.00      0.98       329

         accuracy                           0.98      1984
        macro avg       0.98      0.90      0.93      1984
     weighted avg       0.98      0.98      0.98      1984


import plotly.graph_objects as go
from sklearn.model_selection import learning_curve
import numpy as np

# Evaluación del rendimiento del modelo en función del tamaño del conjunto de entrenamiento
train_sizes, train_scores, test_scores = learning_curve(best_dt_model, X_train, y_train, 
                                                        cv=5, n_jobs=-1, train_sizes=np.linspace(0.1, 1.0, 10))

# Media y desviación estándar de los puntajes
train_mean = np.mean(train_scores, axis=1)
train_std = np.std(train_scores, axis=1)
test_mean = np.mean(test_scores, axis=1)
test_std = np.std(test_scores, axis=1)

# Crear el gráfico de curvas de aprendizaje
fig = go.Figure()

# Añadir la curva de la puntuación de entrenamiento
fig.add_trace(go.Scatter(
    x=train_sizes, 
    y=train_mean,
    mode='lines',
    name='Training score',
    line=dict(color='blue')
))
fig.add_trace(go.Scatter(
    x=train_sizes,
    y=train_mean + train_std,
    mode='lines',
    name='Training score upper',
    line=dict(color='blue', dash='dash'),
    showlegend=False
))
fig.add_trace(go.Scatter(
    x=train_sizes,
    y=train_mean - train_std,
    mode='lines',
    name='Training score lower',
    line=dict(color='blue', dash='dash'),
    fill='tonexty',
    showlegend=False
))

# Añadir la curva de la puntuación de validación cruzada
fig.add_trace(go.Scatter(
    x=train_sizes, 
    y=test_mean,
    mode='lines',
    name='Cross-validation score',
    line=dict(color='red')
))
fig.add_trace(go.Scatter(
    x=train_sizes,
    y=test_mean + test_std,
    mode='lines',
    name='Cross-validation score upper',
    line=dict(color='red', dash='dash'),
    showlegend=False
))
fig.add_trace(go.Scatter(
    x=train_sizes,
    y=test_mean - test_std,
    mode='lines',
    name='Cross-validation score lower',
    line=dict(color='red', dash='dash'),
    fill='tonexty',
    showlegend=False
))

# Actualizar el diseño del gráfico
fig.update_layout(
    title='Curvas de Aprendizaje',
    xaxis_title='Tamaño del Entrenamiento',
    yaxis_title='Puntuación',
    legend=dict(x=0.05, y=0.95)
)

# Mostrar el gráfico
fig.show()


# Importación de dataset desde GitHub con especificación de codificación
url = 'https://raw.githubusercontent.com/ISPC-PP1-2024/proyecto/main/datos/DataCoSupplyChainDataset/DataCoSupplyChainDataset.csv'
df_1 = pd.read_csv(url, encoding='latin1')

# Ver los primeros registros
df_1.head()


# Se consulta la base de datos
# si se corre el codigo desde el principio df_logistica es valido
# si no, si se carga el dataset se debe asignar   df_logistica=df_1
df_logistica=pd.read_csv('C:\\Users\\Usuario\\Desktop\\2024\\materias\\CDIA\\2semestre\\pp1-cdia23\\ejemplo suply chain\\DataCoSupplyChainDataset.csv\\para jupyter\\DataCoSupplyChainDataset.csv', encoding='latin1', sep=',',  low_memory=False)


df_logistica = df_logistica[df_logistica['Order Country'].isin(['Argentina', 'Brasil', 'Mexico'])]


df_logistica.shape

(9918, 53)


# Cantidad de valores nulos por columna
missing_data = df_logistica.isna().sum()
print(missing_data[missing_data > 0])

Order Zipcode          9918
Product Description    9918
dtype: int64


#ELIMINAMOS FILAS DEL DATAFRAME QUE NO USAMOS.
columnas_a_eliminar = ['Category Id','Customer Email','Customer Fname','Customer Lname',
'Customer Password','Customer State','Customer Street','Customer Zipcode','Department Id','Department Name','Latitude',
'Longitude','Market','Order City','Order Customer Id','Order Item Cardprod Id','Order Item Discount', 'Order Item Discount Rate',
'Order Item Profit Ratio','Product Image','Product Description','Order Zipcode','Product Status']


df_logistica = df_logistica.drop(columns=columnas_a_eliminar, axis=1)
df_logistica.columns

Index(['Type', 'Days for shipping (real)', 'Days for shipment (scheduled)',
       'Benefit per order', 'Sales per customer', 'Delivery Status',
       'Late_delivery_risk', 'Category Name', 'Customer City',
       'Customer Country', 'Customer Id', 'Customer Segment', 'Order Country',
       'order date (DateOrders)', 'Order Id', 'Order Item Id',
       'Order Item Product Price', 'Order Item Quantity', 'Sales',
       'Order Item Total', 'Order Profit Per Order', 'Order Region',
       'Order State', 'Order Status', 'Product Card Id', 'Product Category Id',
       'Product Name', 'Product Price', 'shipping date (DateOrders)',
       'Shipping Mode'],
      dtype='object')


#renombro la columna porque tiene espacios
df_logistica.rename(columns={'Category Name':'Categoria',
                           'Type':'Pago'
                           ,'Days for shipping (real)':'DiasEnvio(Real)'
                           , 'Days for shipment (scheduled)':'DiasEnvio(Programado)'
                           , 'Benefit per order':'BeneficioPorPedido'
                           , 'Delivery Status':'EstadoEntrega'
                           , 'Late_delivery_risk':'RiesgoEntregaTardia'
                           , 'Category Name':'Categoria'
                           , 'Customer Country':'PaisCliente'
                           , 'Customer Id':'IDCliente'
                           , 'Customer Segment':'SegmentoCliente'
                           , 'Order Country':'PaisPedido'
                           , 'order date (DateOrders)':'FechaPedido'
                           , 'Order Id':'IDPedido'
                           , 'Order Item Id':'IDArticuloPedido'
                           , 'Order Item Product Price':'PrecioArticuloPedido'
                           , 'Order Item Quantity':'CantidadArticulosPedido'
                           , 'Sales':'Ventas'
                           , 'Order Item Total':'TotalArticulosPedido'
                           , 'Order Profit Per Order':'GananciaPorPedido'
                           , 'Order Region':'RegionPedido'
                           , 'Order State':'DestinoPedido'
                           , 'Order Status':'EstadoPedido'
                           , 'Product Card Id':'IDProducto'
                           , 'Product Category Id':'CategoriaProducto'
                           , 'Product Name':'NombreProducto'
                           , 'Product Price':'PrecioProducto'
                           , 'shipping date (DateOrders)':'FechaEnvio'
                           , 'Shipping Mode':'ModoEnvio' 
                           , 'Customer City':'CiudadCliente'
                           , 'Sales per customer' : 'VentasPorCliente'
                          
                          },inplace=True)


# Columnas traducidas
df_logistica.info()

<class 'pandas.core.frame.DataFrame'>
Index: 9918 entries, 84 to 179624
Data columns (total 30 columns):
 #   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  
 0   Pago                     9918 non-null   object 
 1   DiasEnvio(Real)          9918 non-null   int64  
 2   DiasEnvio(Programado)    9918 non-null   int64  
 3   BeneficioPorPedido       9918 non-null   float64
 4   VentasPorCliente         9918 non-null   float64
 5   EstadoEntrega            9918 non-null   object 
 6   RiesgoEntregaTardia      9918 non-null   int64  
 7   Categoria                9918 non-null   object 
 8   CiudadCliente            9918 non-null   object 
 9   PaisCliente              9918 non-null   object 
 10  IDCliente                9918 non-null   int64  
 11  SegmentoCliente          9918 non-null   object 
 12  PaisPedido               9918 non-null   object 
 13  FechaPedido              9918 non-null   object 
 14  IDPedido                 9918 non-null   int64  
 15  IDArticuloPedido         9918 non-null   int64  
 16  PrecioArticuloPedido     9918 non-null   float64
 17  CantidadArticulosPedido  9918 non-null   int64  
 18  Ventas                   9918 non-null   float64
 19  TotalArticulosPedido     9918 non-null   float64
 20  GananciaPorPedido        9918 non-null   float64
 21  RegionPedido             9918 non-null   object 
 22  DestinoPedido            9918 non-null   object 
 23  EstadoPedido             9918 non-null   object 
 24  IDProducto               9918 non-null   int64  
 25  CategoriaProducto        9918 non-null   int64  
 26  NombreProducto           9918 non-null   object 
 27  PrecioProducto           9918 non-null   float64
 28  FechaEnvio               9918 non-null   object 
 29  ModoEnvio                9918 non-null   object 
dtypes: float64(7), int64(9), object(14)
memory usage: 2.3+ MB


#tamaño del nuevo dataframe
df_logistica.shape

(9918, 30)


df_logistica.nunique()

Pago                          4
DiasEnvio(Real)               7
DiasEnvio(Programado)         4
BeneficioPorPedido         5468
VentasPorCliente           1076
EstadoEntrega                 4
RiesgoEntregaTardia           2
Categoria                    31
CiudadCliente               492
PaisCliente                   2
IDCliente                  2910
SegmentoCliente               3
PaisPedido                    2
FechaPedido                3292
IDPedido                   3292
IDArticuloPedido           9918
PrecioArticuloPedido         50
CantidadArticulosPedido       5
Ventas                      162
TotalArticulosPedido       1076
GananciaPorPedido          5468
RegionPedido                  1
DestinoPedido                47
EstadoPedido                  9
IDProducto                   87
CategoriaProducto            32
NombreProducto               87
PrecioProducto               50
FechaEnvio                 3269
ModoEnvio                     4
dtype: int64


#Tiene missings, minimos, maximos, medias, desviación estandar
df_logistica.describe()


# 1. Examinar la columna antes de la conversión
print("Primeros 5 valores de 'PrecioProducto' antes de la conversión:")
print(df_logistica['PrecioProducto'].head())
print("\nTipo de dato actual:", df_logistica['PrecioProducto'].dtype)

# 2. Función para limpiar y convertir la columna
def clean_and_convert(x):
    if isinstance(x, str):
        return pd.to_numeric(x.replace('$', '').replace(',', ''), errors='coerce')
    return x

# 3. Aplicar la función de conversión
df_logistica['PrecioProducto'] = df_logistica['PrecioProducto'].apply(clean_and_convert)

# 4. Verificar la conversión
print("\nPrimeros 5 valores de 'PrecioProducto' después de la conversión:")
print(df_logistica['PrecioProducto'].head())
print("\nNuevo tipo de dato:", df_logistica['PrecioProducto'].dtype)

# 5. Verificar valores nulos o inválidos
nulos = df_logistica['PrecioProducto'].isnull().sum()
print(f"\nNúmero de valores nulos: {nulos}")

# 6. Estadísticas descriptivas
print("\nEstadísticas descriptivas de 'PrecioProducto':")
print(df_logistica['PrecioProducto'].describe())

# 7. Identificar valores atípicos o sospechosos (opcional)
Q1 = df_logistica['PrecioProducto'].quantile(0.25)
Q3 = df_logistica['PrecioProducto'].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR

atipicos = df_logistica[(df_logistica['PrecioProducto'] < lower_bound) | (df_logistica['PrecioProducto'] > upper_bound)]
print(f"\nNúmero de valores atípicos: {len(atipicos)}")

# 8. Mostrar algunos valores atípicos si existen
if len(atipicos) > 0:
    print("\nAlgunos valores atípicos:")
    print(atipicos['PrecioProducto'].head())

Primeros 5 valores de 'PrecioProducto' antes de la conversión:
84    50.000000
91    39.990002
93    39.990002
94    39.990002
95    50.000000
Name: PrecioProducto, dtype: float64

Tipo de dato actual: float64

Primeros 5 valores de 'PrecioProducto' después de la conversión:
84    50.000000
91    39.990002
93    39.990002
94    39.990002
95    50.000000
Name: PrecioProducto, dtype: float64

Nuevo tipo de dato: float64

Número de valores nulos: 0

Estadísticas descriptivas de 'PrecioProducto':
count    9918.000000
mean      133.613664
std       116.668712
min         9.990000
25%        50.000000
50%        59.990002
75%       199.990005
max       399.980011
Name: PrecioProducto, dtype: float64

Número de valores atípicos: 0


# 1. Examinar la columna antes de la conversión
print("Primeros 5 valores de 'Ganancia por pedido' antes de la conversión:")
print(df_logistica['GananciaPorPedido'].head())
print("\nTipo de dato actual:", df_logistica['GananciaPorPedido'].dtype)

# 2. Función para limpiar y convertir la columna
def clean_and_convert(x):
    if isinstance(x, str):
        return pd.to_numeric(x.replace('$', '').replace(',', ''), errors='coerce')
    return x

# 3. Aplicar la función de conversión
df_logistica['GananciaPorPedido'] = df_logistica['GananciaPorPedido'].apply(clean_and_convert)

# 4. Verificar la conversión
print("\nPrimeros 5 valores de 'Ganancia por pedido' después de la conversión:")
print(df_logistica['GananciaPorPedido'].head())
print("\nNuevo tipo de dato:", df_logistica['GananciaPorPedido'].dtype)

# 5. Verificar valores nulos o inválidos
nulos = df_logistica['GananciaPorPedido'].isnull().sum()
print(f"\nNúmero de valores nulos: {nulos}")

# 6. Estadísticas descriptivas
print("\nEstadísticas descriptivas de 'Ganancia por pedido':")
print(df_logistica['GananciaPorPedido'].describe())

# 7. Identificar valores atípicos o sospechosos (opcional)
Q1 = df_logistica['GananciaPorPedido'].quantile(0.25)
Q3 = df_logistica['GananciaPorPedido'].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR

atipicos = df_logistica[(df_logistica['GananciaPorPedido'] < lower_bound) | (df_logistica['GananciaPorPedido'] > upper_bound)]
print(f"\nNúmero de valores atípicos: {len(atipicos)}")

# 8. Mostrar algunos valores atípicos si existen
if len(atipicos) > 0:
    print("\nAlgunos valores atípicos:")
    print(atipicos['GananciaPorPedido'].head())

Primeros 5 valores de 'Ganancia por pedido' antes de la conversión:
84    23.469999
91    32.860001
93    55.090000
94    68.589996
95    51.980000
Name: GananciaPorPedido, dtype: float64

Tipo de dato actual: float64

Primeros 5 valores de 'Ganancia por pedido' después de la conversión:
84    23.469999
91    32.860001
93    55.090000
94    68.589996
95    51.980000
Name: GananciaPorPedido, dtype: float64

Nuevo tipo de dato: float64

Número de valores nulos: 0

Estadísticas descriptivas de 'Ganancia por pedido':
count    9918.000000
mean       22.737589
std        94.256693
min     -1086.390015
25%         8.100000
50%        32.115000
75%        63.677500
max       249.979996
Name: GananciaPorPedido, dtype: float64

Número de valores atípicos: 1026

Algunos valores atípicos:
671    -245.940002
1005   -107.870003
1637   -154.679993
1812    161.259995
3030    -85.500000
Name: GananciaPorPedido, dtype: float64


import plotly.graph_objects as go
import pandas as pd

# Asumimos que df_logistica es tu DataFrame
# Si no tienes el DataFrame, necesitarás crearlo o cargarlo

# Contar los valores en la columna 'RiesgoEntregaTardia'
conteo = df_logistica['RiesgoEntregaTardia'].value_counts().sort_index()

# Crear el gráfico de barras
fig = go.Figure(data=[
    go.Bar(
        x=['0-ATiempo', '1-Tardio'],
        y=conteo.values,
        text=conteo.values,
        textposition='auto',
        marker_color=['blue', 'red']  # Colores diferentes para cada barra
    )
])

# Personalizar el diseño
fig.update_layout(
    title='Conteo de Entregas a Tiempo y Tardías',
    xaxis_title='Estado de Entrega',
    yaxis_title='Conteo',
    width=400,
    height=400
)

# Mostrar el gráfico
fig.show()


df_logistica.columns

Index(['Pago', 'DiasEnvio(Real)', 'DiasEnvio(Programado)',
       'BeneficioPorPedido', 'VentasPorCliente', 'EstadoEntrega',
       'RiesgoEntregaTardia', 'Categoria', 'CiudadCliente', 'PaisCliente',
       'IDCliente', 'SegmentoCliente', 'PaisPedido', 'FechaPedido', 'IDPedido',
       'IDArticuloPedido', 'PrecioArticuloPedido', 'CantidadArticulosPedido',
       'Ventas', 'TotalArticulosPedido', 'GananciaPorPedido', 'RegionPedido',
       'DestinoPedido', 'EstadoPedido', 'IDProducto', 'CategoriaProducto',
       'NombreProducto', 'PrecioProducto', 'FechaEnvio', 'ModoEnvio'],
      dtype='object')


df_logistica['BeneficioPorPedido'] = np.log10(df_logistica['BeneficioPorPedido'])
df_logistica['VentasPorCliente'] = np.log10(df_logistica['VentasPorCliente'])
#sb.pairplot(data=df_logistica[['BeneficioPorPedido','VentasPorCliente','RiesgoEntregaTardia']], hue = 'RiesgoEntregaTardia',palette='coolwarm')
sb.pairplot(data=df_logistica[['BeneficioPorPedido','VentasPorCliente','RiesgoEntregaTardia']], hue = 'RiesgoEntregaTardia', palette='rocket')
plt.show()

C:\Users\Usuario\anaconda3\lib\site-packages\pandas\core\arraylike.py:399: RuntimeWarning:

divide by zero encountered in log10

C:\Users\Usuario\anaconda3\lib\site-packages\pandas\core\arraylike.py:399: RuntimeWarning:

invalid value encountered in log10

C:\Users\Usuario\anaconda3\lib\site-packages\seaborn\_oldcore.py:1119: FutureWarning:

use_inf_as_na option is deprecated and will be removed in a future version. Convert inf values to NaN before operating instead.

C:\Users\Usuario\anaconda3\lib\site-packages\seaborn\_oldcore.py:1075: FutureWarning:

When grouping with a length-1 list-like, you will need to pass a length-1 tuple to get_group in a future version of pandas. Pass `(name,)` instead of `name` to silence this warning.

C:\Users\Usuario\anaconda3\lib\site-packages\seaborn\_oldcore.py:1119: FutureWarning:

use_inf_as_na option is deprecated and will be removed in a future version. Convert inf values to NaN before operating instead.

C:\Users\Usuario\anaconda3\lib\site-packages\seaborn\_oldcore.py:1075: FutureWarning:

When grouping with a length-1 list-like, you will need to pass a length-1 tuple to get_group in a future version of pandas. Pass `(name,)` instead of `name` to silence this warning.


from sklearn.preprocessing import LabelEncoder


df_logistica['PaisCliente'] =df_logistica['PaisCliente'] 
label_encoder_PaisCliente=LabelEncoder()

df_logistica['PaisCliente'] = label_encoder_PaisCliente.fit_transform(df_logistica['PaisCliente'])


df_logistica['PaisCliente']

84        1
91        1
93        1
94        1
95        1
         ..
179597    1
179613    1
179618    1
179623    1
179624    1
Name: PaisCliente, Length: 9918, dtype: int32


import plotly.graph_objects as go
import pandas as pd

# Asumimos que df_logistica es tu DataFrame
# Si no tienes el DataFrame, necesitarás crearlo o cargarlo

# Contar los valores en la columna 'RiesgoEntregaTardia'
conteo = df_logistica['PaisCliente'].value_counts().sort_index()

# Crear el gráfico de barras
fig = go.Figure(data=[
    go.Bar(
        x=['0-PuertoRico', '1-EEUU'],
        y=conteo.values,
        text=conteo.values,
        textposition='auto',
        marker_color=['blue', 'red']  # Colores diferentes para cada barra
    )
])

# Personalizar el diseño
fig.update_layout(
    title='Conteo segun Pais Entrega',
    xaxis_title='Pais de Entrega',
    yaxis_title='Conteo',
    width=400,
    height=400
)

# Mostrar el gráfico
fig.show()


import plotly.graph_objects as go
from plotly.subplots import make_subplots
import pandas as pd

# Asumimos que df_logistica es tu DataFrame
# Si no tienes el DataFrame, necesitarás crearlo o cargarlo

variables_binarias = ['PaisCliente', 'PaisPedido', 'EstadoEntrega', 'ModoEnvio']

# Crear subplots
fig = make_subplots(rows=1, cols=4, subplot_titles=variables_binarias)

# Colores para RiesgoEntregaTardia
colors = {0: 'blue', 1: 'red'}

# Crear gráficos de barras para cada variable
for i, col in enumerate(variables_binarias):
    # Contar los valores
    df_count = df_logistica.groupby([col, 'RiesgoEntregaTardia']).size().unstack(fill_value=0)
    
    # Añadir barras para cada categoría de RiesgoEntregaTardia
    for j, riesgo in enumerate([0, 1]):
        fig.add_trace(
            go.Bar(
                x=df_count.index,
                y=df_count[riesgo],
                name=f'Riesgo {riesgo}',
                marker_color=colors[riesgo],
                text=df_count[riesgo],
                textposition='auto',
                showlegend=i==0  # Mostrar leyenda solo para el primer gráfico
            ),
            row=1, col=i+1
        )

    # Actualizar diseño de cada subplot
    fig.update_xaxes(title_text=col, row=1, col=i+1)
    fig.update_yaxes(title_text='Conteo' if i == 0 else '', row=1, col=i+1)

# Actualizar diseño general
fig.update_layout(
    title_text='Distribución de Variables Binarias por Riesgo de Entrega Tardía',
    barmode='stack',
    height=500,
    width=1200
)

# Mostrar el gráfico
fig.show()


data=df_logistica.copy()
data['RIESGO_TARDIO'] = np.where(data['EstadoPedido'] == 'RIESGO_TARDIO', 1, 0)


from sklearn.preprocessing import LabelEncoder
le=LabelEncoder()
def Labelencoder_feature(x):
    le=LabelEncoder()
    x=le.fit_transform(x)
    return x


features=data.drop(columns=['RIESGO_TARDIO','EstadoPedido' ])
target=data['RIESGO_TARDIO']


features.isnull().sum()

Pago                          0
DiasEnvio(Real)               0
DiasEnvio(Programado)         0
BeneficioPorPedido         1815
VentasPorCliente              0
EstadoEntrega                 0
RiesgoEntregaTardia           0
Categoria                     0
CiudadCliente                 0
PaisCliente                   0
IDCliente                     0
SegmentoCliente               0
PaisPedido                    0
FechaPedido                   0
IDPedido                      0
IDArticuloPedido              0
PrecioArticuloPedido          0
CantidadArticulosPedido       0
Ventas                        0
TotalArticulosPedido          0
GananciaPorPedido             0
RegionPedido                  0
DestinoPedido                 0
IDProducto                    0
CategoriaProducto             0
NombreProducto                0
PrecioProducto                0
FechaEnvio                    0
ModoEnvio                     0
dtype: int64


#se consideran los valores NaN , tratarlo para utilizar labelEncoder
features=features.apply(Labelencoder_feature)
features.head()


#borrar caracteristicas con alta correlacion con otras caracteristicas para evitar multicolinealidad
data1=pd.concat([features,target],axis=1)


#deleting features which high-correlated with other features to avoid multicollinarity

corr = data1.corr()
columns = np.full((corr.shape[0],), True, dtype=bool)
for i in range(corr.shape[0]):
    for j in range(i+1, corr.shape[0]):
        if corr.iloc[i,j] >= 0.8:
            if columns[j]:
                columns[j] = False
selected_columns = data1.columns[columns]
selected_columns

Index(['Pago', 'DiasEnvio(Real)', 'DiasEnvio(Programado)',
       'BeneficioPorPedido', 'VentasPorCliente', 'EstadoEntrega',
       'RiesgoEntregaTardia', 'Categoria', 'CiudadCliente', 'PaisCliente',
       'IDCliente', 'SegmentoCliente', 'PaisPedido', 'FechaPedido', 'IDPedido',
       'PrecioArticuloPedido', 'CantidadArticulosPedido', 'GananciaPorPedido',
       'RegionPedido', 'DestinoPedido', 'IDProducto', 'NombreProducto',
       'RIESGO_TARDIO'],
      dtype='object')


import plotly.graph_objects as go
import pandas as pd
import numpy as np

# Asumimos que 'features' es tu DataFrame
# Si no lo tienes, necesitarás crearlo o cargarlo

# Calcular la matriz de correlación
corr = features.corr()

# Crear el mapa de calor
fig = go.Figure(data=go.Heatmap(
                z=corr.values,
                x=corr.columns,
                y=corr.columns,
                zmin=-1, zmax=1,
                text=corr.values,
                texttemplate="%{text:.2f}",
                colorscale='RdBu_r',
                colorbar=dict(title='Correlación'),
                hoverongaps = False))

# Actualizar el diseño
fig.update_layout(
    title='Mapa de calor de correlación',
    width=1000,
    height=800,
    xaxis_showgrid=False,
    yaxis_showgrid=False,
    yaxis_autorange='reversed'
)

# Mostrar el gráfico
fig.show()


features.shape

(9918, 29)


columnas_a_verificar=['Pago', 'DiasEnvio(Real)', 'DiasEnvio(Programado)',
       'BeneficioPorPedido', 'VentasPorCliente', 'EstadoEntrega',
       'RiesgoEntregaTardia', 'Categoria', 'CiudadCliente', 'PaisCliente',
       'IDCliente', 'SegmentoCliente', 'PaisPedido', 'FechaPedido', 'IDPedido',
       'PrecioArticuloPedido', 'CantidadArticulosPedido', 'Ventas',
       'TotalArticulosPedido', 'GananciaPorPedido', 'RegionPedido',
       'DestinoPedido', 'IDProducto', 'NombreProducto', 'PrecioProducto']
# Eliminar filas con al menos un NaN en las columnas especificadas
features = features.dropna(subset=columnas_a_verificar)


# verificar filas duplicadas
duplicados=features[features.duplicated()]
if duplicados.empty:
    print("No hay filas duplicadas en el DataFrame.")
else:
    print("Las siguientes filas están duplicadas:")
    print(duplicados)

No hay filas duplicadas en el DataFrame.


# Suponiendo que tu DataFrame se llama 'df'
columnas_a_verificar = ['Pago', 'DiasEnvio(Real)', 'DiasEnvio(Programado)',
       'BeneficioPorPedido', 'VentasPorCliente', 'EstadoEntrega',
       'RiesgoEntregaTardia', 'Categoria', 'CiudadCliente', 'PaisCliente',
       'IDCliente', 'SegmentoCliente', 'PaisPedido', 'FechaPedido', 'IDPedido',
       'PrecioArticuloPedido', 'CantidadArticulosPedido', 'Ventas',
       'TotalArticulosPedido', 'GananciaPorPedido', 'RegionPedido',
       'DestinoPedido', 'IDProducto', 'NombreProducto', 'PrecioProducto']

# Verificar si hay valores NaN en las columnas especificadas
valores_nulos = features[columnas_a_verificar].isnull().sum()

print(valores_nulos)

Pago                       0
DiasEnvio(Real)            0
DiasEnvio(Programado)      0
BeneficioPorPedido         0
VentasPorCliente           0
EstadoEntrega              0
RiesgoEntregaTardia        0
Categoria                  0
CiudadCliente              0
PaisCliente                0
IDCliente                  0
SegmentoCliente            0
PaisPedido                 0
FechaPedido                0
IDPedido                   0
PrecioArticuloPedido       0
CantidadArticulosPedido    0
Ventas                     0
TotalArticulosPedido       0
GananciaPorPedido          0
RegionPedido               0
DestinoPedido              0
IDProducto                 0
NombreProducto             0
PrecioProducto             0
dtype: int64


# verificar espacios vacios
hay_vacios = features.isna().any().any()

if hay_vacios:
    print("El DataFrame contiene valores vacíos.")
else:
    print("El DataFrame no contiene valores vacíos.")

El DataFrame no contiene valores vacíos.


# Eliminar filas con al menos un NaN en las columnas especificadas
features = features.dropna(subset=columnas_a_verificar)


# Verificar valores NaN
valores_nulos = features[columnas_a_verificar].isnull().sum()
print(valores_nulos)

Pago                       0
DiasEnvio(Real)            0
DiasEnvio(Programado)      0
BeneficioPorPedido         0
VentasPorCliente           0
EstadoEntrega              0
RiesgoEntregaTardia        0
Categoria                  0
CiudadCliente              0
PaisCliente                0
IDCliente                  0
SegmentoCliente            0
PaisPedido                 0
FechaPedido                0
IDPedido                   0
PrecioArticuloPedido       0
CantidadArticulosPedido    0
Ventas                     0
TotalArticulosPedido       0
GananciaPorPedido          0
RegionPedido               0
DestinoPedido              0
IDProducto                 0
NombreProducto             0
PrecioProducto             0
dtype: int64


import pandas as pd
import numpy as np

def check_negative_values(features, columns):
    """
    Verifica valores negativos en las columnas especificadas del DataFrame,
    manejando valores no numéricos y nulos.

    Args:
    df (pandas.DataFrame): El DataFrame a verificar
    columns (list): Lista de nombres de columnas a verificar

    Returns:
    dict: Un diccionario con los resultados de la verificación
    """
    results = {}
    for col in columns:
        if col not in features.columns:
            results[col] = f"La columna '{col}' no existe en el DataFrame"
            continue
        
        # Convertir la columna a numérica, coerciendo errores a NaN
        numeric_col = pd.to_numeric(features[col], errors='coerce')
        
        # Contar valores negativos, excluyendo NaN
        negative_count = (numeric_col < 0).sum()
        nan_count = numeric_col.isna().sum()
        
        if negative_count > 0:
            results[col] = f"Se encontraron {negative_count} valores negativos en '{col}'"
        else:
            results[col] = f"No se encontraron valores negativos en '{col}'"
        
        if nan_count > 0:
            results[col] += f". Además, hay {nan_count} valores no numéricos o nulos"

    return results

# Uso de la función
columns_to_check = ['Pago', 'DiasEnvio(Real)', 'DiasEnvio(Programado)',
       'BeneficioPorPedido', 'VentasPorCliente', 'EstadoEntrega',
       'RiesgoEntregaTardia', 'Categoria', 'CiudadCliente', 'PaisCliente',
       'IDCliente', 'SegmentoCliente', 'PaisPedido', 'FechaPedido', 'IDPedido',
       'PrecioArticuloPedido', 'CantidadArticulosPedido', 'Ventas',
       'TotalArticulosPedido', 'GananciaPorPedido', 'RegionPedido',
       'DestinoPedido', 'IDProducto', 'NombreProducto', 'PrecioProducto']
results = check_negative_values(features, columns_to_check)

# Imprimir resultados
for col, result in results.items():
    print(result)

# Información adicional sobre tipos de datos
print("\nTipos de datos de las columnas:")
for col in columns_to_check:
    if col in features.columns:
        print(f"{col}: {features[col].dtype}")
    else:
        print(f"{col}: Columna no encontrada")

No se encontraron valores negativos en 'Pago'
No se encontraron valores negativos en 'DiasEnvio(Real)'
No se encontraron valores negativos en 'DiasEnvio(Programado)'
No se encontraron valores negativos en 'BeneficioPorPedido'
No se encontraron valores negativos en 'VentasPorCliente'
No se encontraron valores negativos en 'EstadoEntrega'
No se encontraron valores negativos en 'RiesgoEntregaTardia'
No se encontraron valores negativos en 'Categoria'
No se encontraron valores negativos en 'CiudadCliente'
No se encontraron valores negativos en 'PaisCliente'
No se encontraron valores negativos en 'IDCliente'
No se encontraron valores negativos en 'SegmentoCliente'
No se encontraron valores negativos en 'PaisPedido'
No se encontraron valores negativos en 'FechaPedido'
No se encontraron valores negativos en 'IDPedido'
No se encontraron valores negativos en 'PrecioArticuloPedido'
No se encontraron valores negativos en 'CantidadArticulosPedido'
No se encontraron valores negativos en 'Ventas'
No se encontraron valores negativos en 'TotalArticulosPedido'
No se encontraron valores negativos en 'GananciaPorPedido'
No se encontraron valores negativos en 'RegionPedido'
No se encontraron valores negativos en 'DestinoPedido'
No se encontraron valores negativos en 'IDProducto'
No se encontraron valores negativos en 'NombreProducto'
No se encontraron valores negativos en 'PrecioProducto'

Tipos de datos de las columnas:
Pago: int32
DiasEnvio(Real): int64
DiasEnvio(Programado): int64
BeneficioPorPedido: int64
VentasPorCliente: int64
EstadoEntrega: int32
RiesgoEntregaTardia: int64
Categoria: int32
CiudadCliente: int32
PaisCliente: int64
IDCliente: int64
SegmentoCliente: int32
PaisPedido: int32
FechaPedido: int32
IDPedido: int64
PrecioArticuloPedido: int64
CantidadArticulosPedido: int64
Ventas: int64
TotalArticulosPedido: int64
GananciaPorPedido: int64
RegionPedido: int32
DestinoPedido: int32
IDProducto: int64
NombreProducto: int32
PrecioProducto: int64


features.shape

(9918, 29)


from sklearn.preprocessing import LabelEncoder


#Realizo label encoder para las no numericas
label_encoder_Pago = LabelEncoder()
label_encoder_EstadoEntrega = LabelEncoder()
label_encoder_PaisCliente = LabelEncoder()
label_encoder_Categoria = LabelEncoder()
label_encoder_PaisPedido = LabelEncoder()
label_encoder_SegmentoCliente = LabelEncoder()
label_encoder_RegionPedido = LabelEncoder()
label_encoder_DestinoPedido = LabelEncoder()
label_encoder_EstadoPedido = LabelEncoder()
label_encoder_CiudadCliente  = LabelEncoder()
label_encoder_TotalArticulosPedido = LabelEncoder()
label_encoder_NombreProducto = LabelEncoder()
label_encoder_ModoEnvio=LabelEncoder()


features['Pago'] = label_encoder_Pago.fit_transform(features['Pago'])
features['EstadoEntrega'] = label_encoder_EstadoEntrega.fit_transform(features['EstadoEntrega'])
features['PaisCliente'] = label_encoder_PaisCliente.fit_transform(features['PaisCliente'])
features['Categoria'] = label_encoder_Categoria.fit_transform(features['Categoria'])
features['PaisPedido'] = label_encoder_PaisPedido.fit_transform(features['PaisPedido'])
features['SegmentoCliente'] = label_encoder_SegmentoCliente.fit_transform(features['SegmentoCliente'])
features['RegionPedido'] = label_encoder_RegionPedido.fit_transform(features['RegionPedido'])
features['DestinoPedido'] = label_encoder_DestinoPedido.fit_transform(features['DestinoPedido'])
#features['EstadoPedido'] = label_encoder_EstadoPedido.fit_transform(features['EstadoPedido'])
features['CiudadCliente'] = label_encoder_CiudadCliente .fit_transform(features['CiudadCliente'])
features['TotalArticulosPedido'] = label_encoder_TotalArticulosPedido.fit_transform(features['TotalArticulosPedido'])
features['NombreProducto'] = label_encoder_NombreProducto.fit_transform(features['NombreProducto'])
features['ModoEnvio'] = label_encoder_ModoEnvio.fit_transform(features['ModoEnvio'])


X = np.asarray(features[['Pago','EstadoEntrega','PaisCliente','Categoria','PaisPedido','SegmentoCliente','RegionPedido','DestinoPedido','CiudadCliente',
'ModoEnvio', 'Categoria', 'ModoEnvio']])
X[0:5]

array([[ 2,  1,  1, 29,  1,  2,  0,  4, 57,  2, 29,  2],
       [ 2,  1,  1, 23,  1,  2,  0, 45, 57,  2, 23,  2],
       [ 3,  1,  1, 23,  0,  0,  0,  5, 57,  3, 23,  3],
       [ 3,  3,  1, 23,  1,  0,  0, 45, 57,  3, 23,  3],
       [ 3,  0,  1, 29,  1,  0,  0, 45, 57,  3, 29,  3]], dtype=int64)


X = preprocessing.StandardScaler().fit(X).transform(X)
X[0:5]

array([[ 0.30699285, -0.1695001 ,  1.26292377,  1.40088521,  0.49169897,
         1.6849047 ,  0.        , -1.3661009 , -0.7988958 , -0.23511498,
         1.40088521, -0.23511498],
       [ 0.30699285, -0.1695001 ,  1.26292377,  0.76621059,  0.49169897,
         1.6849047 ,  0.        ,  1.24498506, -0.7988958 , -0.23511498,
         0.76621059, -0.23511498],
       [ 1.30560064, -0.1695001 ,  1.26292377,  0.76621059, -2.0337647 ,
        -0.88165724,  0.        , -1.30241588, -0.7988958 ,  0.6750608 ,
         0.76621059,  0.6750608 ],
       [ 1.30560064,  1.86943505,  1.26292377,  0.76621059,  0.49169897,
        -0.88165724,  0.        ,  1.24498506, -0.7988958 ,  0.6750608 ,
         0.76621059,  0.6750608 ],
       [ 1.30560064, -1.18896768,  1.26292377,  1.40088521,  0.49169897,
        -0.88165724,  0.        ,  1.24498506, -0.7988958 ,  0.6750608 ,
         1.40088521,  0.6750608 ]])


y = np.asarray(features['RiesgoEntregaTardia'])
y [0:5]

array([1, 1, 1, 0, 0], dtype=int64)


X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=4)
print ('Train set:', X_train.shape,  y_train.shape)
print ('Test set:', X_test.shape,  y_test.shape)

Train set: (7934, 12) (7934,)
Test set: (1984, 12) (1984,)


LR = LogisticRegression(C=0.01, solver='liblinear').fit(X_train,y_train)
LR

LogisticRegression(C=0.01, solver='liblinear')

LogisticRegression(C=0.01, solver='liblinear')


yhat_prob = LR.predict_proba(X_test)
yhat_prob

array([[0.36838572, 0.63161428],
       [0.36423476, 0.63576524],
       [0.08338696, 0.91661304],
       ...,
       [0.81963032, 0.18036968],
       [0.47668601, 0.52331399],
       [0.8240137 , 0.1759863 ]])


df_logistica.shape

(9918, 30)


yhat = LR.predict(X_test)
yhat

array([1, 1, 1, ..., 0, 1, 0], dtype=int64)


def plot_confusion_matrix(cm, classes,
                          normalize=True,
                          title='Confusion matrix',
                          cmap=plt.cm.Blues):
    """
    This function prints and plots the confusion matrix.
    Normalization can be applied by setting `normalize=True`.
    """
    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
        print("Normalized confusion matrix")
    else:
        print('Confusion matrix, with normalization')

    print(cm)

    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, format(cm[i, j], fmt),
                 horizontalalignment="center",
                 color="red" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')
print(confusion_matrix(y_test, yhat, labels=[1,0]))
print(confusion_matrix(y_test, yhat, labels=[1,0]))

[[631 455]
 [347 551]]
[[631 455]
 [347 551]]


# Compute confusion matrix
cnf_matrix = confusion_matrix(y_test, yhat, labels=[1,0])
np.set_printoptions(precision=2)


# Plot non-normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=['Riesgo=1','Riesgo=0'],normalize= False,  title='Confusion matrix')

Confusion matrix, with normalization
[[631 455]
 [347 551]]


print (classification_report(y_test, yhat))

              precision    recall  f1-score   support

           0       0.55      0.61      0.58       898
           1       0.65      0.58      0.61      1086

    accuracy                           0.60      1984
   macro avg       0.60      0.60      0.60      1984
weighted avg       0.60      0.60      0.60      1984


jaccard_score(y_test, yhat,pos_label=0)

0.4072431633407243


LR.coef_[0]

array([-0.13, -0.47,  0.01,  0.  ,  0.02, -0.05,  0.  ,  0.11,  0.09,
       -0.52,  0.  , -0.52])


def get_feature_importance (LR, feature_names):
    feature_importance = (
        pd.DataFrame(
            {
                'Variable': feature_names,
                'Coeficiente': LR.coef_[0]
            }
        )
        .round(decimals=2) \
        .sort_values('Coeficiente', ascending=False) \
        .style.bar(color=['red', 'green'], align='zero')
    )
    return feature_importance


get_feature_importance(LR, ['Pago','EstadoEntrega','PaisCliente','Categoria','PaisPedido','SegmentoCliente','RegionPedido','DestinoPedido','CiudadCliente',
'ModoEnvio', 'Categoria', 'ModoEnvio'])


import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.express as px
import plotly.graph_objects as go
import plotly.figure_factory as ff
from plotly.subplots import make_subplots
from plotly.offline import plot, iplot, init_notebook_mode
from sklearn.preprocessing import StandardScaler, MinMaxScaler
from scipy.cluster import hierarchy
from sklearn.cluster import KMeans, AgglomerativeClustering, DBSCAN


# Importación de dataset desde GitHub con especificación de codificación
url = 'https://raw.githubusercontent.com/ISPC-PP1-2024/proyecto/main/datos/DataCoSupplyChainDataset/DataCoSupplyChainDataset.csv'
df_1 = pd.read_csv(url, encoding='latin1')

# Ver los primeros registros
df_1.head()


# Se consulta la base de datos
df_1=pd.read_csv('C:\\Users\\Usuario\\Desktop\\2024\\materias\\CDIA\\2semestre\\pp1-cdia23\\ejemplo suply chain\\DataCoSupplyChainDataset.csv\\para jupyter\\DataCoSupplyChainDataset.csv', encoding='latin1', sep=',',  low_memory=False)


df = df_1[df_1['Order Country'].isin(['Argentina', 'Brasil', 'Mexico'])]


#esto es para probar con un dataset menor a ver si se ven mejores los puntos en los graficos de dispersion
#de los clusters
#---lo que hace es tomar las primeras 100 filas de cada pais filtrado
#---el dataset contiene 300 filas, 100 de argentina, 100 de brasil y 100 de mexico

# Agrupar por país y contar
grouped = df.groupby('Order Country')
counts = grouped.size()

# Función para limitar por país
def limit_by_country(group, limit=100):
    return group.head(limit)

# Aplicar la función y reiniciar el índice
df_filtered = grouped.apply(limit_by_country).reset_index(drop=True)

# Mostrar el DataFrame resultante
#print(df_filtered)
df_filtered.head()

C:\Users\Usuario\AppData\Local\Temp\ipykernel_9092\914935078.py:15: DeprecationWarning:

DataFrameGroupBy.apply operated on the grouping columns. This behavior is deprecated, and in a future version of pandas the grouping columns will be excluded from the operation. Either pass `include_groups=False` to exclude the groupings or explicitly select the grouping columns after groupby to silence this warning.


df=df_filtered


# en caso de no tomar las 100 primeras filas
#df_filtered=df


df_filtered.shape

(200, 53)


# con este seguimos trabajando
df.shape

(200, 53)


df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entries, 0 to 199
Data columns (total 53 columns):
 #   Column                         Non-Null Count  Dtype  
---  ------                         --------------  -----  
 0   Type                           200 non-null    object 
 1   Days for shipping (real)       200 non-null    int64  
 2   Days for shipment (scheduled)  200 non-null    int64  
 3   Benefit per order              200 non-null    float64
 4   Sales per customer             200 non-null    float64
 5   Delivery Status                200 non-null    object 
 6   Late_delivery_risk             200 non-null    int64  
 7   Category Id                    200 non-null    int64  
 8   Category Name                  200 non-null    object 
 9   Customer City                  200 non-null    object 
 10  Customer Country               200 non-null    object 
 11  Customer Email                 200 non-null    object 
 12  Customer Fname                 200 non-null    object 
 13  Customer Id                    200 non-null    int64  
 14  Customer Lname                 200 non-null    object 
 15  Customer Password              200 non-null    object 
 16  Customer Segment               200 non-null    object 
 17  Customer State                 200 non-null    object 
 18  Customer Street                200 non-null    object 
 19  Customer Zipcode               200 non-null    float64
 20  Department Id                  200 non-null    int64  
 21  Department Name                200 non-null    object 
 22  Latitude                       200 non-null    float64
 23  Longitude                      200 non-null    float64
 24  Market                         200 non-null    object 
 25  Order City                     200 non-null    object 
 26  Order Country                  200 non-null    object 
 27  Order Customer Id              200 non-null    int64  
 28  order date (DateOrders)        200 non-null    object 
 29  Order Id                       200 non-null    int64  
 30  Order Item Cardprod Id         200 non-null    int64  
 31  Order Item Discount            200 non-null    float64
 32  Order Item Discount Rate       200 non-null    float64
 33  Order Item Id                  200 non-null    int64  
 34  Order Item Product Price       200 non-null    float64
 35  Order Item Profit Ratio        200 non-null    float64
 36  Order Item Quantity            200 non-null    int64  
 37  Sales                          200 non-null    float64
 38  Order Item Total               200 non-null    float64
 39  Order Profit Per Order         200 non-null    float64
 40  Order Region                   200 non-null    object 
 41  Order State                    200 non-null    object 
 42  Order Status                   200 non-null    object 
 43  Order Zipcode                  0 non-null      float64
 44  Product Card Id                200 non-null    int64  
 45  Product Category Id            200 non-null    int64  
 46  Product Description            0 non-null      float64
 47  Product Image                  200 non-null    object 
 48  Product Name                   200 non-null    object 
 49  Product Price                  200 non-null    float64
 50  Product Status                 200 non-null    int64  
 51  shipping date (DateOrders)     200 non-null    object 
 52  Shipping Mode                  200 non-null    object 
dtypes: float64(15), int64(14), object(24)
memory usage: 82.9+ KB


# Cantidad de valores nulos por columna
missing_data = df.isna().sum()
print(missing_data[missing_data > 0])

Order Zipcode          200
Product Description    200
dtype: int64


#ELIMINAMOS FILAS DEL DATAFRAME QUE NO USAMOS.
columnas_a_eliminar = ['Sales per customer','Category Id','Customer Email','Customer Fname','Customer Lname',
'Customer Password','Customer State','Customer Street','Customer Zipcode','Department Id','Department Name','Latitude',
'Longitude','Market','Order City','Order Customer Id','Order Item Cardprod Id','Order Item Discount', 'Order Item Discount Rate',
'Order Item Profit Ratio','Product Image','Product Description','Order Zipcode','Product Status']

df = df.drop(columns=columnas_a_eliminar, axis=1)


df.columns

Index(['Type', 'Days for shipping (real)', 'Days for shipment (scheduled)',
       'Benefit per order', 'Delivery Status', 'Late_delivery_risk',
       'Category Name', 'Customer City', 'Customer Country', 'Customer Id',
       'Customer Segment', 'Order Country', 'order date (DateOrders)',
       'Order Id', 'Order Item Id', 'Order Item Product Price',
       'Order Item Quantity', 'Sales', 'Order Item Total',
       'Order Profit Per Order', 'Order Region', 'Order State', 'Order Status',
       'Product Card Id', 'Product Category Id', 'Product Name',
       'Product Price', 'shipping date (DateOrders)', 'Shipping Mode'],
      dtype='object')


#CAMBIAR LAS COLUMNAS A ESPAÑOL
#// prueba para cambiar los valores de las columnas a español
df_espanol=df


#renombro la columna porque tiene espacios
df_espanol.rename(columns={'Category Name':'Categoria',
                           'Type':'Pago'
                           ,'Days for shipping (real)':'DiasEnvio(Real)'
                           , 'Days for shipment (scheduled)':'DiasEnvio(Programado)'
                           , 'Benefit per order':'BeneficioPorPedido'
                           , 'Delivery Status':'EstadoEntrega'
                           , 'Late_delivery_risk':'RiesgoEntregaTardia'
                           , 'Category Name':'Categoria'
                           , 'Customer Country':'PaisCliente'
                           , 'Customer Id':'IDCliente'
                           , 'Customer Segment':'SegmentoCliente'
                           , 'Order Country':'PaisPedido'
                           , 'order date (DateOrders)':'FechaPedido'
                           , 'Order Id':'IDPedido'
                           , 'Order Item Id':'IDArticuloPedido'
                           , 'Order Item Product Price':'PrecioArticuloPedido'
                           , 'Order Item Quantity':'CantidadArticulosPedido'
                           , 'Sales':'Ventas'
                           , 'Order Item Total':'TotalArticulosPedido'
                           , 'Order Profit Per Order':'GananciaPorPedido'
                           , 'Order Region':'RegionPedido'
                           , 'Order State':'DestinoPedido'
                           , 'Order Status':'EstadoPedido'
                           , 'Product Card Id':'IDProducto'
                           , 'Product Category Id':'CategoriaProducto'
                           , 'Product Name':'NombreProducto'
                           , 'Product Price':'PrecioProducto'
                           , 'shipping date (DateOrders)':'FechaEnvio'
                           , 'Shipping Mode':'ModoEnvio' 
                           , 'Customer City':'CiudadCliente'
                          
                          },inplace=True)


# Columnas traducidas
df_espanol.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entries, 0 to 199
Data columns (total 29 columns):
 #   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  
 0   Pago                     200 non-null    object 
 1   DiasEnvio(Real)          200 non-null    int64  
 2   DiasEnvio(Programado)    200 non-null    int64  
 3   BeneficioPorPedido       200 non-null    float64
 4   EstadoEntrega            200 non-null    object 
 5   RiesgoEntregaTardia      200 non-null    int64  
 6   Categoria                200 non-null    object 
 7   CiudadCliente            200 non-null    object 
 8   PaisCliente              200 non-null    object 
 9   IDCliente                200 non-null    int64  
 10  SegmentoCliente          200 non-null    object 
 11  PaisPedido               200 non-null    object 
 12  FechaPedido              200 non-null    object 
 13  IDPedido                 200 non-null    int64  
 14  IDArticuloPedido         200 non-null    int64  
 15  PrecioArticuloPedido     200 non-null    float64
 16  CantidadArticulosPedido  200 non-null    int64  
 17  Ventas                   200 non-null    float64
 18  TotalArticulosPedido     200 non-null    float64
 19  GananciaPorPedido        200 non-null    float64
 20  RegionPedido             200 non-null    object 
 21  DestinoPedido            200 non-null    object 
 22  EstadoPedido             200 non-null    object 
 23  IDProducto               200 non-null    int64  
 24  CategoriaProducto        200 non-null    int64  
 25  NombreProducto           200 non-null    object 
 26  PrecioProducto           200 non-null    float64
 27  FechaEnvio               200 non-null    object 
 28  ModoEnvio                200 non-null    object 
dtypes: float64(6), int64(9), object(14)
memory usage: 45.4+ KB


#tamaño del nuevo dataframe
df_espanol.shape

(200, 29)


df_espanol.nunique()

Pago                         4
DiasEnvio(Real)              7
DiasEnvio(Programado)        4
BeneficioPorPedido         197
EstadoEntrega                4
RiesgoEntregaTardia          2
Categoria                   17
CiudadCliente               61
PaisCliente                  2
IDCliente                  151
SegmentoCliente              3
PaisPedido                   2
FechaPedido                152
IDPedido                   152
IDArticuloPedido           200
PrecioArticuloPedido        19
CantidadArticulosPedido      5
Ventas                      44
TotalArticulosPedido       164
GananciaPorPedido          197
RegionPedido                 1
DestinoPedido               34
EstadoPedido                 9
IDProducto                  27
CategoriaProducto           18
NombreProducto              27
PrecioProducto              19
FechaEnvio                 152
ModoEnvio                    4
dtype: int64


# verificar filas duplicadas
duplicados=df_espanol[df.duplicated()]
if duplicados.empty:
    print("No hay filas duplicadas en el DataFrame.")
else:
    print("Las siguientes filas están duplicadas:")
    print(duplicados)

No hay filas duplicadas en el DataFrame.


# verificar espacios vacios
hay_vacios = df_espanol.isna().any().any()

if hay_vacios:
    print("El DataFrame contiene valores vacíos.")
else:
    print("El DataFrame no contiene valores vacíos.")

El DataFrame no contiene valores vacíos.


# convertir las columnas no numericas a numericas y con formato sin puntos

import re
import pandas as pd

def clean_price(price_str):
    if pd.isna(price_str):
        return None
    
    # Convertir a string si no lo es
    price_str = str(price_str)
    
    # Eliminar espacios en blanco y caracteres no numéricos excepto punto y coma
    cleaned = re.sub(r'[^\d.,]', '', price_str)
    
    # Reemplazar coma por punto si hay más de un punto (asumiendo que la coma es el separador decimal)
    if cleaned.count('.') > 1 and ',' in cleaned:
        cleaned = cleaned.replace(',', '.')
    
    # Si hay más de un punto, asumimos que todos menos el último son separadores de miles
    parts = cleaned.split('.')
    if len(parts) > 2:
        integer_part = ''.join(parts[:-1])
        decimal_part = parts[-1]
        cleaned = f"{integer_part}.{decimal_part}"
    
    try:
        return float(cleaned)
    except ValueError:
        print(f"No se pudo convertir: {price_str}")
        return None

# Aplicar la función a la columna 'Product Price' y mostrar los resultados
df_espanol['Clean Price'] = df_espanol['PrecioProducto'].apply(clean_price)

# Mostrar filas donde la limpieza falló
failed_conversions = df_espanol[df_espanol['PrecioProducto'].isna()]
print("Filas donde la conversión falló:")
print(failed_conversions[['PrecioProducto', 'Clean Price']])

# Calcular la mediana de los precios limpios
median_prices = df_espanol.groupby('Categoria')['Clean Price'].median()
print("\nMediana de precios de productos segun categoria:")
print(median_prices)

# Calcular la media de los precios limpios
media_prices = df_espanol.groupby('Categoria')['Clean Price'].mean()
print("\nMedia de precios  de productos segun categoria:")
print(media_prices)
# Calcular la desviacion estandar de los precios limpios
std_prices = df_espanol.groupby('Categoria')['Clean Price'].std()
print("\nDesviacion estandar de productos segun categoria:")
print(std_prices)

# Mostrar estadísticas de la columna de precios limpios
print("\nEstadísticas de la columna de precio de productos:")
print(df_espanol['Clean Price'].describe())

Filas donde la conversión falló:
Empty DataFrame
Columns: [PrecioProducto, Clean Price]
Index: []

Mediana de precios de productos segun categoria:
Categoria
Accessories             24.990000
Baseball & Softball     59.990002
Boxing & MMA            72.480000
Camping & Hiking       299.980011
Cardio Equipment        99.989998
Cleats                  59.990002
Electronics             49.990002
Fishing                399.980011
Fitness Accessories     34.990002
Girls' Apparel          70.000000
Golf Balls              19.990000
Hockey                  22.000000
Lacrosse                24.990000
Men's Footwear         129.990005
Shop By Sport           39.990002
Tennis & Racquet        44.990002
Women's Apparel         50.000000
Name: Clean Price, dtype: float64

Media de precios  de productos segun categoria:
Categoria
Accessories             24.990000
Baseball & Softball     51.656668
Boxing & MMA            72.480000
Camping & Hiking       299.980011
Cardio Equipment        94.157498
Cleats                  59.990002
Electronics             49.240002
Fishing                399.980011
Fitness Accessories     34.990002
Girls' Apparel          70.000000
Golf Balls              19.990000
Hockey                  22.750000
Lacrosse                24.990000
Men's Footwear         129.990005
Shop By Sport           39.990002
Tennis & Racquet        44.990002
Women's Apparel         50.000000
Name: Clean Price, dtype: float64

Desviacion estandar de productos segun categoria:
Categoria
Accessories             0.000000
Baseball & Softball    14.433757
Boxing & MMA           24.762877
Camping & Hiking        0.000000
Cardio Equipment       19.760266
Cleats                  0.000000
Electronics             3.403430
Fishing                 0.000000
Fitness Accessories     0.000000
Girls' Apparel               NaN
Golf Balls                   NaN
Hockey                  1.322876
Lacrosse                     NaN
Men's Footwear          0.000000
Shop By Sport           0.000000
Tennis & Racquet             NaN
Women's Apparel         0.000000
Name: Clean Price, dtype: float64

Estadísticas de la columna de precio de productos:
count    200.000000
mean      75.513051
std       76.721549
min       19.990000
25%       39.990002
50%       50.000000
75%       92.489998
max      399.980011
Name: Clean Price, dtype: float64


# convertir las columnas no numericas a numericas y con formato sin puntos

import re
import pandas as pd

def clean_Beneficio_por_pedido(benPP_str):
    if pd.isna(benPP_str):
        return None
    
    # Convertir a string si no lo es
    benPP_str = str(benPP_str)
    
    # Eliminar espacios en blanco y caracteres no numéricos excepto punto y coma
    cleaned = re.sub(r'[^\d.,]', '', benPP_str)
    
    # Reemplazar coma por punto si hay más de un punto (asumiendo que la coma es el separador decimal)
    if cleaned.count('.') > 1 and ',' in cleaned:
        cleaned = cleaned.replace(',', '.')
    
    # Si hay más de un punto, asumimos que todos menos el último son separadores de miles
    parts = cleaned.split('.')
    if len(parts) > 2:
        integer_part = ''.join(parts[:-1])
        decimal_part = parts[-1]
        cleaned = f"{integer_part}.{decimal_part}"
    
    try:
        return float(cleaned)
    except ValueError:
        print(f"No se pudo convertir: {benPP_str}")
        return None

# Aplicar la función a la columna 'Benefit per order' y mostrar los resultados
df_espanol['clean_Beneficio_por_pedido'] = df_espanol['BeneficioPorPedido'].apply(clean_Beneficio_por_pedido)

# Mostrar filas donde la limpieza falló
failed_conversions = df_espanol[df_espanol['clean_Beneficio_por_pedido'].isna()]
print("Filas donde la conversión falló:")
print(failed_conversions[['BeneficioPorPedido', 'clean_Beneficio_por_pedido']])

# Calcular la mediana -Beneficio por orden limpio
median_prices = df_espanol.groupby('IDPedido')['clean_Beneficio_por_pedido'].median()
print("\nMediana de precios por producto:")
print(median_prices)
# Calcular la media -Beneficio por orden limpio
media_prices = df_espanol.groupby('IDPedido')['clean_Beneficio_por_pedido'].mean()
print("\nMedia de precios  de productos segun categoria:")
print(media_prices)
# Calcular la desviacion estandar -Beneficio por orden limpio
std_prices = df_espanol.groupby('IDPedido')['clean_Beneficio_por_pedido'].std()
print("\nDesviacion estandar de productos segun categoria:")
print(std_prices)

# Mostrar estadísticas de la columna de precios limpios
print("\nEstadísticas de la columna Beneficio por Pedido:")
print(df_espanol['clean_Beneficio_por_pedido'].describe())

Filas donde la conversión falló:
Empty DataFrame
Columns: [BeneficioPorPedido, clean_Beneficio_por_pedido]
Index: []

Mediana de precios por producto:
IDPedido
117      13.860000
135      17.430000
212      34.099998
738      29.569999
1311     24.750000
           ...    
61192    59.060001
61346    34.990002
61382    53.299999
61419    98.000000
61515    23.180000
Name: clean_Beneficio_por_pedido, Length: 152, dtype: float64

Media de precios  de productos segun categoria:
IDPedido
117      13.860000
135      17.430000
212      34.099998
738      29.569999
1311     24.003333
           ...    
61192    59.060001
61346    34.990002
61382    53.299999
61419    98.000000
61515    23.180000
Name: clean_Beneficio_por_pedido, Length: 152, dtype: float64

Desviacion estandar de productos segun categoria:
IDPedido
117            NaN
135            NaN
212            NaN
738      34.238109
1311     10.390141
           ...    
61192          NaN
61346          NaN
61382          NaN
61419          NaN
61515     2.135463
Name: clean_Beneficio_por_pedido, Length: 152, dtype: float64

Estadísticas de la columna Beneficio por Pedido:
count    200.000000
mean      49.493500
std       56.311998
min        0.000000
25%       14.267500
50%       33.995001
75%       59.605001
max      459.000000
Name: clean_Beneficio_por_pedido, dtype: float64


import re
import pandas as pd

def clean_Beneficio_por_pedido(benPP_str):
    if pd.isna(benPP_str):
        return None
    
    # Convertir a string si no lo es
    benPP_str = str(benPP_str)
    
    # Eliminar espacios en blanco y caracteres no numéricos excepto punto y coma
    cleaned = re.sub(r'[^\d.,]', '', benPP_str)
    
    # Reemplazar coma por punto si hay más de un punto (asumiendo que la coma es el separador decimal)
    if cleaned.count('.') > 1 and ',' in cleaned:
        cleaned = cleaned.replace(',', '.')
    
    # Si hay más de un punto, asumimos que todos menos el último son separadores de miles
    parts = cleaned.split('.')
    if len(parts) > 2:
        integer_part = ''.join(parts[:-1])
        decimal_part = parts[-1]
        cleaned = f"{integer_part}.{decimal_part}"
    
    try:
        return float(cleaned)
    except ValueError:
        print(f"No se pudo convertir: {benPP_str}")
        return None

# Aplicar la función a la columna 'Benefit per order' y mostrar los resultados
df_espanol['clean_Ventas'] = df_espanol['Ventas'].apply(clean_Beneficio_por_pedido)

# Mostrar filas donde la limpieza falló
failed_conversions = df_espanol[df_espanol['clean_Ventas'].isna()]
print("Filas donde la conversión falló:")
print(failed_conversions[['Ventas', 'clean_Ventas']])

# Calcular la mediana -Beneficio por orden limpio
median_prices = df_espanol.groupby('IDPedido')['clean_Ventas'].median()
print("\nMediana de precios por producto:")
print(median_prices)
# Calcular la media -Beneficio por orden limpio
media_prices = df_espanol.groupby('IDPedido')['clean_Ventas'].mean()
print("\nMedia de precios  de productos segun categoria:")
print(media_prices)
# Calcular la desviacion estandar -Beneficio por orden limpio
std_prices = df_espanol.groupby('IDPedido')['clean_Ventas'].std()
print("\nDesviacion estandar de productos segun categoria:")
print(std_prices)

# Mostrar estadísticas de la columna de precios limpios
print("\nEstadísticas de la columna Beneficio por Pedido:")
print(df_espanol['clean_Ventas'].describe())

Filas donde la conversión falló:
Empty DataFrame
Columns: [Ventas, clean_Ventas]
Index: []

Mediana de precios por producto:
IDPedido
117       66.000000
135      119.980003
212      159.960007
738      130.980003
1311      99.989998
            ...    
61192    449.950012
61346    199.949997
61382    129.990005
61419    250.000000
61515     59.990002
Name: clean_Ventas, Length: 152, dtype: float64

Media de precios  de productos segun categoria:
IDPedido
117       66.000000
135      119.980003
212      159.960007
738      130.980003
1311      86.656666
            ...    
61192    449.950012
61346    199.949997
61382    129.990005
61419    250.000000
61515     59.990002
Name: clean_Ventas, Length: 152, dtype: float64

Desviacion estandar de productos segun categoria:
IDPedido
117             NaN
135             NaN
212             NaN
738      154.120999
1311      23.094009
            ...    
61192           NaN
61346           NaN
61382           NaN
61419           NaN
61515      0.000000
Name: clean_Ventas, Length: 152, dtype: float64

Estadísticas de la columna Beneficio por Pedido:
count    200.000000
mean     174.781452
std      107.654600
min       22.000000
25%       99.989998
50%      129.990005
75%      250.000000
max      499.950012
Name: clean_Ventas, dtype: float64


pd.DataFrame(df_espanol.describe()).style.set_caption("Summary Statistics of Numeric Variables")


pd.DataFrame(df_espanol.select_dtypes('object').describe().T).style.set_caption("Summary Statistics of Categorical Variables")


df_espanol


init_notebook_mode(connected=True)
plot_df=df_espanol.copy()
plot_df['clean_Beneficio_por_pedido']=plot_df['clean_Beneficio_por_pedido'].div(10000)
p1=plot_df.groupby('PaisPedido')['DiasEnvio(Real)'].mean().round(0).astype(int).reset_index()
p2=plot_df.groupby('PaisPedido')['clean_Beneficio_por_pedido'].mean().reset_index()
p3=plot_df.groupby('PaisPedido')['DiasEnvio(Programado)'].mean().round(0).astype(int).reset_index()

temp = dict(layout=go.Layout(font=dict(family="Franklin Gothic", size=12)))
fig = make_subplots(rows=3, cols=2,
                    subplot_titles=("Distribucion de dias reales por pais","Media Dias Entrega Real por Pais ",  
                                    "Distribucion de dias programados por pais", "Media de dias programados por pais",
                                    "Distribution of GananciaPorPedido por pais", "Media de Beneficio por pais")
                   )


import plotly.graph_objects as go
from plotly.subplots import make_subplots
import pandas as pd
import plotly.express as px

# Asumimos que df_espanol es tu DataFrame
# Si no lo tienes, necesitarás crearlo o cargarlo

# Preparación de datos
plot_df = df_espanol.copy()
plot_df['clean_Beneficio_por_pedido'] = plot_df['clean_Beneficio_por_pedido'].div(10000)
p1 = plot_df.groupby('PaisPedido')['DiasEnvio(Real)'].mean().round(0).astype(int).reset_index()
p2 = plot_df.groupby('PaisPedido')['clean_Beneficio_por_pedido'].mean().reset_index()
p3 = plot_df.groupby('PaisPedido')['DiasEnvio(Programado)'].mean().round(0).astype(int).reset_index()

# Definir una paleta de colores de Plotly
colors = px.colors.qualitative.Plotly[:3]

# Crear figura con subplots
fig = make_subplots(rows=3, cols=2,
                    subplot_titles=("Distribución de días reales por país", "Media Días Entrega Real por País",  
                                    "Distribución de Ganancia por Pedido por país", "Media de Beneficio por país",
                                    "Distribución de días programados por país", "Media de días programados por país")
                   )

# Añadir trazas para la primera fila (DiasEnvio(Real))
for i, pais in enumerate(["Argentina", "Brasil", "Mexico"]):
    fig.add_trace(go.Histogram(x=plot_df[plot_df.PaisPedido==pais]['DiasEnvio(Real)'], 
                               histnorm='probability density', 
                               marker=dict(color=colors[i], opacity=0.7, line=dict(width=1, color='#000000')), 
                               nbinsx=20, name=pais),
                  row=1, col=1)

fig.add_trace(go.Bar(x=p1['PaisPedido'], y=p1['DiasEnvio(Real)'], 
                     text=p1['DiasEnvio(Real)'], texttemplate='%{text} ', textposition='outside',
                     marker=dict(color=colors, opacity=0.8), width=0.8,
                     hovertemplate='Media de Días de Envío Real en %{x} = %{y} <extra></extra>', showlegend=False),
              row=1, col=2)

# Añadir trazas para la segunda fila (clean_Beneficio_por_pedido)
for i, pais in enumerate(["Argentina", "Brasil", "Mexico"]):
    fig.add_trace(go.Histogram(x=plot_df[plot_df.PaisPedido==pais]['clean_Beneficio_por_pedido'], 
                               histnorm='probability density', 
                               marker=dict(color=colors[i], opacity=0.7, line=dict(width=1, color='#000000')), 
                               nbinsx=20, name=pais, showlegend=False),
                  row=2, col=1)

fig.add_trace(go.Bar(x=p2['PaisPedido'], y=p2['clean_Beneficio_por_pedido'], 
                     text=p2['clean_Beneficio_por_pedido'], texttemplate='%{text:.2f}', textposition='outside',
                     marker=dict(color=colors, opacity=0.8), width=0.8,
                     hovertemplate='Media de Beneficio por Pedido en %{x} = %{y:.2f}<extra></extra>', showlegend=False),
              row=2, col=2)

# Añadir trazas para la tercera fila (DiasEnvio(Programado))
for i, pais in enumerate(["Argentina", "Brasil", "Mexico"]):
    fig.add_trace(go.Histogram(x=plot_df[plot_df.PaisPedido==pais]['DiasEnvio(Programado)'], 
                               histnorm='probability density', 
                               marker=dict(color=colors[i], opacity=0.7, line=dict(width=1, color='#000000')), 
                               nbinsx=20, name=pais, showlegend=False),
                  row=3, col=1)

fig.add_trace(go.Bar(x=p3['PaisPedido'], y=p3['DiasEnvio(Programado)'], 
                     text=p3['DiasEnvio(Programado)'], texttemplate='%{text} ', textposition='outside',
                     marker=dict(color=colors, opacity=0.8), width=0.8,
                     hovertemplate='Media de Días de Envío Programados en %{x} = %{y} <extra></extra>', showlegend=False),
              row=3, col=2)

# Actualizar diseño
fig.update_traces(marker=dict(line=dict(width=1, color='#000000')))
fig.update_layout(barmode='overlay', height=1500, width=1000,
                  legend=dict(orientation="h", yanchor="bottom", xanchor="right", y=1.03, x=.97),
                  xaxis1_title="Días de Envío (Real)", yaxis1_title='Densidad de Probabilidad', 
                  xaxis2_title="País del Pedido", yaxis2_title="Días de Envío (Real)", yaxis2_range=[0,45],
                  xaxis3_title="Beneficio por pedido (10,000$)", yaxis3_title='Densidad de Probabilidad', 
                  xaxis4_title="País del Pedido", yaxis4_title="Beneficio por pedido (10,000$)", yaxis4_range=[0,7],
                  xaxis5_title="Días de Envío (Programado)", yaxis5_title='Densidad de Probabilidad', 
                  xaxis6_title="País del Pedido", yaxis6_title="Días de Envío (Programado)", yaxis6_range=[0,59],
                  font=dict(family="Arial", size=12))

# Mostrar la figura
fig.show()


# Seleccionamos solo las columnas de interés
columnas_deseadas = ['PaisPedido','DiasEnvio(Real)', 'DiasEnvio(Programado)', 'clean_Beneficio_por_pedido']
plot_df_reducido = plot_df[columnas_deseadas]

# por partes
columnas_EnvioReal = ['PaisPedido','DiasEnvio(Real)']
plot_df_reducido1 = plot_df[columnas_EnvioReal]
# por partes
columnas_EnvioProgramado = ['PaisPedido','DiasEnvio(Programado)']
plot_df_reducido2 = plot_df[columnas_EnvioProgramado]
# por partes
columnas_Beneficio = ['PaisPedido','clean_Beneficio_por_pedido']
plot_df_reducido3 = plot_df[columnas_Beneficio]


import plotly.figure_factory as ff
import plotly.express as px

# Pairplots
fig = ff.create_scatterplotmatrix(
    plot_df_reducido1, 
    diag='box', 
    index='PaisPedido', 
    colormap=px.colors.qualitative.Plotly
)

fig.update_traces(
    marker=dict(
        size=9, 
        opacity=0.85, 
        line=dict(width=1, color='#F7F7F7')
    )
)

fig.update_layout(
    title="Envio real según país", 
    template=temp, 
    legend=dict(orientation="h", yanchor="bottom", y=1.02, x=.35),
    height=450, 
    width=350
)

fig.show()


import plotly.figure_factory as ff
import plotly.express as px

# Pairplots
fig = ff.create_scatterplotmatrix(
    plot_df_reducido2, 
    diag='box', 
    index='PaisPedido', 
    colormap=px.colors.qualitative.Plotly
)

fig.update_traces(
    marker=dict(
        size=9, 
        opacity=0.85, 
        line=dict(width=1, color='#F7F7F7')
    )
)

fig.update_layout(
    title="Envío programado según país", 
    template=temp, 
    legend=dict(orientation="h", yanchor="bottom", y=1.02, x=.35),
    height=450, 
    width=350
)

fig.show()


import plotly.figure_factory as ff
import plotly.express as px

# Pairplots
fig = ff.create_scatterplotmatrix(
    plot_df_reducido3, 
    diag='box', 
    index='PaisPedido', 
    colormap=px.colors.qualitative.Plotly
)

fig.update_traces(
    marker=dict(
        size=9, 
        opacity=0.85, 
        line=dict(width=1, color='#F7F7F7')
    )
)

fig.update_layout(
    title="Beneficio por pedido según país", 
    template=temp, 
    legend=dict(orientation="h", yanchor="bottom", y=1.02, x=.35),
    height=450, 
    width=350
)

fig.show()


plot_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entries, 0 to 199
Data columns (total 32 columns):
 #   Column                      Non-Null Count  Dtype  
---  ------                      --------------  -----  
 0   Pago                        200 non-null    object 
 1   DiasEnvio(Real)             200 non-null    int64  
 2   DiasEnvio(Programado)       200 non-null    int64  
 3   BeneficioPorPedido          200 non-null    float64
 4   EstadoEntrega               200 non-null    object 
 5   RiesgoEntregaTardia         200 non-null    int64  
 6   Categoria                   200 non-null    object 
 7   CiudadCliente               200 non-null    object 
 8   PaisCliente                 200 non-null    object 
 9   IDCliente                   200 non-null    int64  
 10  SegmentoCliente             200 non-null    object 
 11  PaisPedido                  200 non-null    object 
 12  FechaPedido                 200 non-null    object 
 13  IDPedido                    200 non-null    int64  
 14  IDArticuloPedido            200 non-null    int64  
 15  PrecioArticuloPedido        200 non-null    float64
 16  CantidadArticulosPedido     200 non-null    int64  
 17  Ventas                      200 non-null    float64
 18  TotalArticulosPedido        200 non-null    float64
 19  GananciaPorPedido           200 non-null    float64
 20  RegionPedido                200 non-null    object 
 21  DestinoPedido               200 non-null    object 
 22  EstadoPedido                200 non-null    object 
 23  IDProducto                  200 non-null    int64  
 24  CategoriaProducto           200 non-null    int64  
 25  NombreProducto              200 non-null    object 
 26  PrecioProducto              200 non-null    float64
 27  FechaEnvio                  200 non-null    object 
 28  ModoEnvio                   200 non-null    object 
 29  Clean Price                 200 non-null    float64
 30  clean_Beneficio_por_pedido  200 non-null    float64
 31  clean_Ventas                200 non-null    float64
dtypes: float64(9), int64(9), object(14)
memory usage: 50.1+ KB


# Seleccionamos solo las columnas de interés
columnas_deseadas = ['RiesgoEntregaTardia','DiasEnvio(Real)', 'DiasEnvio(Programado)', 'clean_Beneficio_por_pedido','IDCliente','IDPedido','CantidadArticulosPedido', 'IDProducto','CategoriaProducto','Clean Price']
plot_df_reducido = plot_df[columnas_deseadas]

# --- si quiero variables categoricas, debo convertirlas a numeros


import plotly.figure_factory as ff
import plotly.express as px

# Seleccionamos solo las columnas de interés
columnas_deseadas = ['RiesgoEntregaTardia', 'DiasEnvio(Real)', 'DiasEnvio(Programado)', 
                     'clean_Beneficio_por_pedido', 'IDCliente', 'IDPedido', 
                     'CantidadArticulosPedido', 'IDProducto', 'CategoriaProducto', 'Clean Price']
plot_df_reducido = plot_df[columnas_deseadas]

# Calculamos la matriz de correlación
corr = plot_df_reducido.corr()

# Preparamos los datos para el heatmap
x = corr.columns.tolist()
y = corr.index.tolist()
z = corr.values
text = corr.values.round(2)

# Creamos el heatmap
fig = ff.create_annotated_heatmap(
    z=z,
    x=x,
    y=y,
    annotation_text=text,
    colorscale=px.colors.diverging.RdBu,  # Usando una escala de colores divergente de Plotly
    reversescale=True,
    showscale=True,
    hovertemplate="Correlación de %{x} y %{y} = %{z:.3f}<extra></extra>"
)

# Actualizamos el diseño
fig.update_layout(
    template=temp,
    title="Correlaciones de interés",
    yaxis_tickangle=-30,
    height=600,  # Aumentamos la altura para mejorar la legibilidad
    width=800    # Aumentamos el ancho para mejorar la legibilidad
)

# Ajustamos la posición de las etiquetas del eje x para mejorar la legibilidad
fig.update_xaxes(tickangle=45)

fig.show()


from sklearn.preprocessing import LabelEncoder


plot_df1=df_espanol.copy()


#Realizo label encoder para las no numericas
label_encoder_Pago = LabelEncoder()
label_encoder_EstadoEntrega = LabelEncoder()
label_encoder_PaisCliente = LabelEncoder()
label_encoder_Categoria = LabelEncoder()
label_encoder_PaisPedido = LabelEncoder()
label_encoder_SegmentoCliente = LabelEncoder()
label_encoder_RegionPedido = LabelEncoder()
label_encoder_DestinoPedido = LabelEncoder()
label_encoder_EstadoPedido = LabelEncoder()
label_encoder_CiudadCliente  = LabelEncoder()
label_encoder_TotalArticulosPedido = LabelEncoder()
label_encoder_NombreProducto = LabelEncoder()
label_encoder_ModoEnvio=LabelEncoder()


columnas_a_eliminar = ['FechaEnvio','FechaPedido','BeneficioPorPedido','PrecioArticuloPedido','Ventas','GananciaPorPedido'
,'PrecioArticuloPedido','Ventas','TotalArticulosPedido','PrecioProducto']
plot_df1 = plot_df1.drop(columns=columnas_a_eliminar)


plot_df1.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entries, 0 to 199
Data columns (total 24 columns):
 #   Column                      Non-Null Count  Dtype  
---  ------                      --------------  -----  
 0   Pago                        200 non-null    object 
 1   DiasEnvio(Real)             200 non-null    int64  
 2   DiasEnvio(Programado)       200 non-null    int64  
 3   EstadoEntrega               200 non-null    object 
 4   RiesgoEntregaTardia         200 non-null    int64  
 5   Categoria                   200 non-null    object 
 6   CiudadCliente               200 non-null    object 
 7   PaisCliente                 200 non-null    object 
 8   IDCliente                   200 non-null    int64  
 9   SegmentoCliente             200 non-null    object 
 10  PaisPedido                  200 non-null    object 
 11  IDPedido                    200 non-null    int64  
 12  IDArticuloPedido            200 non-null    int64  
 13  CantidadArticulosPedido     200 non-null    int64  
 14  RegionPedido                200 non-null    object 
 15  DestinoPedido               200 non-null    object 
 16  EstadoPedido                200 non-null    object 
 17  IDProducto                  200 non-null    int64  
 18  CategoriaProducto           200 non-null    int64  
 19  NombreProducto              200 non-null    object 
 20  ModoEnvio                   200 non-null    object 
 21  Clean Price                 200 non-null    float64
 22  clean_Beneficio_por_pedido  200 non-null    float64
 23  clean_Ventas                200 non-null    float64
dtypes: float64(3), int64(9), object(12)
memory usage: 37.6+ KB


plot_df1['Pago'] = label_encoder_Pago.fit_transform(plot_df['Pago'])
plot_df1['EstadoEntrega'] = label_encoder_EstadoEntrega.fit_transform(plot_df['EstadoEntrega'])
plot_df1['PaisCliente'] = label_encoder_PaisCliente.fit_transform(plot_df['PaisCliente'])
plot_df1['Categoria'] = label_encoder_Categoria.fit_transform(plot_df['Categoria'])
plot_df1['PaisPedido'] = label_encoder_PaisPedido.fit_transform(plot_df['PaisPedido'])
plot_df1['SegmentoCliente'] = label_encoder_SegmentoCliente.fit_transform(plot_df['SegmentoCliente'])
plot_df1['RegionPedido'] = label_encoder_RegionPedido.fit_transform(plot_df['RegionPedido'])
plot_df1['DestinoPedido'] = label_encoder_DestinoPedido.fit_transform(plot_df['DestinoPedido'])
plot_df1['EstadoPedido'] = label_encoder_EstadoPedido.fit_transform(plot_df['EstadoPedido'])
plot_df1['CiudadCliente'] = label_encoder_CiudadCliente .fit_transform(plot_df['CiudadCliente'])
plot_df1['TotalArticulosPedido'] = label_encoder_TotalArticulosPedido.fit_transform(plot_df['TotalArticulosPedido'])
plot_df1['NombreProducto'] = label_encoder_NombreProducto.fit_transform(plot_df['NombreProducto'])
plot_df1['ModoEnvio'] = label_encoder_ModoEnvio.fit_transform(plot_df['ModoEnvio'])


plot_df1.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entries, 0 to 199
Data columns (total 25 columns):
 #   Column                      Non-Null Count  Dtype  
---  ------                      --------------  -----  
 0   Pago                        200 non-null    int32  
 1   DiasEnvio(Real)             200 non-null    int64  
 2   DiasEnvio(Programado)       200 non-null    int64  
 3   EstadoEntrega               200 non-null    int32  
 4   RiesgoEntregaTardia         200 non-null    int64  
 5   Categoria                   200 non-null    int32  
 6   CiudadCliente               200 non-null    int32  
 7   PaisCliente                 200 non-null    int32  
 8   IDCliente                   200 non-null    int64  
 9   SegmentoCliente             200 non-null    int32  
 10  PaisPedido                  200 non-null    int32  
 11  IDPedido                    200 non-null    int64  
 12  IDArticuloPedido            200 non-null    int64  
 13  CantidadArticulosPedido     200 non-null    int64  
 14  RegionPedido                200 non-null    int32  
 15  DestinoPedido               200 non-null    int32  
 16  EstadoPedido                200 non-null    int32  
 17  IDProducto                  200 non-null    int64  
 18  CategoriaProducto           200 non-null    int64  
 19  NombreProducto              200 non-null    int32  
 20  ModoEnvio                   200 non-null    int32  
 21  Clean Price                 200 non-null    float64
 22  clean_Beneficio_por_pedido  200 non-null    float64
 23  clean_Ventas                200 non-null    float64
 24  TotalArticulosPedido        200 non-null    int64  
dtypes: float64(3), int32(12), int64(10)
memory usage: 29.8 KB


# Correlaciones en general
corr=plot_df1.corr()
x = corr.columns.tolist() 
y = corr.index.tolist()
z = corr.values
text = corr.values.round(2)

fig = ff.create_annotated_heatmap(z=z, x=x, y=y, annotation_text=text, colorscale='mint', 
                                  reversescale=True, showscale=True,
                                  hovertemplate="Correlation of %{x} and %{y}= %{z:.3f}")
fig.update_layout(template=temp, title="Correlaciones entre variable", yaxis_tickangle=-30)
fig.show()


plot_df1.head()


#import pandas as pd

def buscar_valor(plot_df1, valor_a_buscar):
    for columna in plot_df1.columns:
        if valor_a_buscar in df[columna].values:
            print(f"El valor {valor_a_buscar} se encontró en la columna: {columna}")

# Ejemplo de uso:
buscar_valor(df, "3.999.000.168")

C:\Users\Usuario\AppData\Local\Temp\ipykernel_9092\3024055918.py:5: FutureWarning:

elementwise comparison failed; returning scalar instead, but in the future will perform elementwise comparison


# K-Means Clustering
plot_df = plot_df1.copy()
#plot_df['PaisPedido'] = [1 if i == "Argentina" else 0 for i in plot_df.PaisPedido]

k_means = list()
for clust in range(1,16):
    km = KMeans(n_clusters=clust, init='k-means++', random_state=21).fit(plot_df1)
    k_means.append(pd.Series({'Clusters': clust, 
                              'Inertia': km.inertia_,
                              'model': km}))

# Plot results
plot_km = (pd.concat(k_means, axis=1).T
           [['Clusters','Inertia']]
           .set_index('Clusters'))

fig = px.line(plot_km, x=plot_km.index, y='Inertia', markers=True)
fig.add_vline(x=5, line_width=3, line_dash="dash", line_color="darkgrey")
fig.add_annotation(
    xref="x domain",
    yref="y",
    x=.31,
    y=75e3,
    text="Optimal Number of Clusters",
    axref="x domain",
    ayref="y",
    ax=.43,
    ay=12e4,
    arrowhead=2, 
    bordercolor="#585858",
    borderpad=4, 
    bgcolor='white',
    font=dict(size=14)
)
fig.update_traces(line_color='#518C89')
fig.update_layout(template=temp, title="K-Means Clustering Elbow Curve", 
                  xaxis=dict(tickmode = 'linear', showline=True), yaxis=dict(showline=True), width=700)
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


# K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="Clean Price", y="TotalArticulosPedido", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Precio vs. Total de Articulos", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Precio, $', showline=True, zeroline=False), 
                  yaxis=dict(title='TotalArticulosPedido', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


# K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="clean_Ventas", y="clean_Beneficio_por_pedido", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Ventas vs. Beneficio por pedido", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Ventas', showline=True, zeroline=False), 
                  yaxis=dict(title='Beneficio_por_pedido, $', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


# K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="clean_Ventas", y="CiudadCliente", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Ventas vs. CiudadCliente", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Venta', showline=True, zeroline=False), 
                  yaxis=dict(title='CiudadCliente', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


# K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="clean_Ventas", y="TotalArticulosPedido", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Ventas vs. TotalArticulosPedido", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Ventas', showline=True, zeroline=False), 
                  yaxis=dict(title='TotalArticulosPedido', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


# K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="CiudadCliente", y="TotalArticulosPedido", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>CiudadCliente vs. TotalArticulosPedido", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='CiudadCliente', showline=True, zeroline=False), 
                  yaxis=dict(title='TotalArticulosPedido', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


# K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="DiasEnvio(Real)", y="TotalArticulosPedido", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>DiasEnvio(Real) vs. TotalArticulosPedido", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='DiasEnvio(Real)', showline=True, zeroline=False), 
                  yaxis=dict(title='TotalArticulosPedido', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


 # K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="CantidadArticulosPedido", y="TotalArticulosPedido", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>CantidadArticulosPedido vs. TotalArticulosPedido", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='CantidadArticulosPedido', showline=True, zeroline=False), 
                  yaxis=dict(title='TotalArticulosPedido', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


  # K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="ModoEnvio", y="Clean Price", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>ModoEnvio vs. Precio", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='ModoEnvio', showline=True, zeroline=False), 
                  yaxis=dict(title='Precio, $', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


 # K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="Pago", y="Clean Price", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Forma de Pago vs. Precio", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Pagoe', showline=True, zeroline=False), 
                  yaxis=dict(title='Precio, $', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


# K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="Pago", y="Categoria", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Pago vs. Categoria", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Pago', showline=True, zeroline=False), 
                  yaxis=dict(title='Categoria, $', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


# K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="Categoria", y="CiudadCliente", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Categoria vs. CiudadCliente", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Categoria', showline=True, zeroline=False), 
                  yaxis=dict(title='CiudadCliente', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


    # K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="clean_Beneficio_por_pedido", y="clean_Ventas", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Beneficio por pedido vs. Ventas", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Beneficio por pedido', showline=True, zeroline=False), 
                  yaxis=dict(title='Ventas, $', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


    # K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clusters
fig = px.scatter(plot_km, x="TotalArticulosPedido", y="Clean Price", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>TotalArticulosPedido vs. Precio", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='TotalArticulosPedido', showline=True, zeroline=False), 
                  yaxis=dict(title='Precio, $', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


 # K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clustersclean_Beneficio_por_pedido
fig = px.scatter(plot_km, x="Categoria", y="IDPedido", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Categoria vs. IDPedido", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Categoria', showline=True, zeroline=False), 
                  yaxis=dict(title='IDPedido', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


 # K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clustersclean_Beneficio_por_pedido
fig = px.scatter(plot_km, x="clean_Ventas", y="IDPedido", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Ventas vs. IDPedido", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Ventas', showline=True, zeroline=False), 
                  yaxis=dict(title='IDPedido', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


 # K-Means with 5 clusters
km = KMeans(n_clusters=5, random_state=21)
km_pred = km.fit_predict(plot_df1)
plot_km=plot_df1.copy()
plot_km['K-Means Cluster'] = km_pred
plot_km=plot_km.sort_values(by='K-Means Cluster')
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(str)

# Plot of clustersclean_Beneficio_por_pedido
fig = px.scatter(plot_km, x="Clean Price", y="IDPedido", color="K-Means Cluster", 
                 color_discrete_sequence=px.colors.qualitative.Prism)
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="K-Means Cluster Profiles,<br>Precio producto vs. Pedidos", 
                  width=700, legend_title='Cluster',
                  xaxis=dict(title='Precio', showline=True, zeroline=False), 
                  yaxis=dict(title='Pedido, $', ticksuffix='k', showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:870: FutureWarning:

The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:1382: UserWarning:

KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.


# Hierarchical clustering
hc = AgglomerativeClustering(3, affinity='euclidean', linkage='complete', compute_full_tree=False)
hc_pred = hc.fit_predict(plot_df1)
plot_hc=plot_df1.copy()
plot_hc["Hierarchical Cluster"]=hc_pred
plot_hc=plot_hc.sort_values(by='Hierarchical Cluster')
plot_hc['Hierarchical Cluster'] = plot_hc['Hierarchical Cluster'].astype(str)

# Plot of clusters                                               
fig = px.scatter(plot_hc, x="clean_Ventas", y="clean_Beneficio_por_pedido", color="Hierarchical Cluster",
                 color_discrete_sequence=px.colors.qualitative.Vivid[1:])
fig.update_traces(marker=dict(size=11, opacity=0.75, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="Hierarchical Cluster Profiles,<br>Ventas vs. Beneficio por Pedido", 
                  width=700, legend_title = 'Cluster',
                  xaxis=dict(title='Ventas',showline=True, zeroline=False), 
                  yaxis=dict(title='Beneficio por Pedido, $',ticksuffix='k',showline=True))
fig.show()

C:\Users\Usuario\anaconda3\lib\site-packages\sklearn\cluster\_agglomerative.py:983: FutureWarning:

Attribute `affinity` was deprecated in version 1.2 and will be removed in 1.4. Use `metric` instead


# DB Scan clustering
db=DBSCAN(eps=15, min_samples=11, metric='euclidean')  #17,15 14,7 12 7 115
db_preds=db.fit_predict(plot_df1)
plot_db=plot_df1.copy()
plot_db['DB Cluster'] = db_preds
plot_db=plot_db.sort_values(by='DB Cluster')
plot_db['DB Cluster'] = plot_db['DB Cluster'].astype(str).apply(lambda x: 'Outliers' if x == '-1' else x)


# Plot of clusters   
fig = px.scatter(plot_db, x="clean_Ventas", y="clean_Beneficio_por_pedido", color="DB Cluster",
                 color_discrete_sequence=px.colors.qualitative.T10[2:])
fig.update_traces(marker=dict(size=11, opacity=0.85, line=dict(width=1, color='#F7F7F7')))
fig.update_layout(template=temp, title="DBSCAN Cluster Profiles,<br>Ventas vs. Beneficio_por_pedido", 
                  width=700, legend_title = 'Cluster',
                  xaxis=dict(title='Ventas',showline=True, zeroline=False), 
                  yaxis=dict(title='Beneficio_por_pedido, $',ticksuffix='k',showline=True))
fig.show()


# Initializing figure with 3 3D subplots
fig = make_subplots(rows=3, cols=1,
                    vertical_spacing=0.1,
                    specs=[[{'type': 'scatter3d'}],
                           [{'type': 'scatter3d'}], 
                           [{'type': 'scatter3d'}]],
                     subplot_titles=("K-Means Clustering with 5 clusters", 
                                     "Hierarchical Clustering<br>with 3 clusters", 
                                     "DBSCAN<br>with 4 clusters")
                   )

# Adding clusters to scatterplots 
plot_km['K-Means Cluster'] = plot_km['K-Means Cluster'].astype(int)
plot_km=plot_km.sort_values(by='K-Means Cluster')
for i in range(0,5):
    fig.add_trace(go.Scatter3d(x = plot_km[plot_km['K-Means Cluster'] == i]['clean_Ventas'],
                               y = plot_km[plot_km['K-Means Cluster'] == i]['clean_Beneficio_por_pedido'],
                               z = plot_km[plot_km['K-Means Cluster'] == i]['IDCliente'],                        
                               mode = 'markers', marker=dict(
                                   size=7,  
                                   color = px.colors.qualitative.Prism[i],
                                   line_width = 1,
                                   line_color='#F7F7F7',
                                   opacity=0.7),
                               name = str('Cluster '+str(i)), legendgroup = 1),
                 row=1, col=1)

plot_hc['Hierarchical Cluster'] = plot_hc['Hierarchical Cluster'].astype(int)
plot_hc=plot_hc.sort_values(by='Hierarchical Cluster')
for i in range(0,3):    
    fig.add_trace(go.Scatter3d(x = plot_hc[plot_hc['Hierarchical Cluster'] == i]['clean_Ventas'],
                               y = plot_hc[plot_hc['Hierarchical Cluster'] == i]['clean_Beneficio_por_pedido'],
                               z = plot_hc[plot_hc['Hierarchical Cluster'] == i]['IDCliente'],                        
                               mode = 'markers', marker=dict(
                                   size=7,   
                                   color = px.colors.qualitative.Vivid[i+1],
                                   line_width = 1, 
                                   line_color='#F7F7F7',
                                   opacity=0.7),
                               name = str('Hierarchical Cluster '+str(i)), legendgroup = 2), 
                  row=2, col=1)

for i, j in enumerate(plot_db['DB Cluster'].unique()): 
    fig.add_trace(go.Scatter3d(x = plot_db[plot_db['DB Cluster'] == j]['clean_Ventas'],
                               y = plot_db[plot_db['DB Cluster'] == j]['clean_Beneficio_por_pedido'],
                               z = plot_db[plot_db['DB Cluster'] == j]['IDCliente'], 
                               mode = 'markers', marker=dict(
                                   size=7,   
                                   color = px.colors.qualitative.T10[i+2],
                                   line_width = 1,
                                   line_color='#F7F7F7',
                                   opacity=0.8),
                               name = str('DB Cluster '+str(j)), legendgroup = 3), 
                  row=3, col=1)

fig.update_traces(hovertemplate='Beneficio_por_pedido: %{x}<br>Ventas: $%{z}<br>IDCliente: %{y}')
fig.update_layout(title="Segmento de Clientes segun: Ventas, beneficio por pedido",
                  template=temp, height=1800, legend_tracegroupgap = 500,
                  scene=dict(aspectmode='cube',
                             xaxis = dict(title='Ventas', 
                                          backgroundcolor="#F3F3F3",
                                          gridcolor="white",
                                          showbackground=True,
                                          zerolinecolor="white",),
                             yaxis = dict(title='$,Beneficio por pedido',
                                          backgroundcolor="#E4E4E4",
                                          gridcolor="white",
                                          showbackground=True,
                                          zerolinecolor="white"),
                             zaxis = dict(title='IDCliente', 
                                          ticksuffix='k',
                                          backgroundcolor="#F6F6F6",
                                          gridcolor="white",
                                          showbackground=True,
                                          zerolinecolor="white")), 
                  scene2=dict(aspectmode='cube', 
                             xaxis = dict(title='Ventas',
                                          backgroundcolor="#F3F3F3",
                                          gridcolor="white",
                                          showbackground=True,
                                          zerolinecolor="white",),
                             yaxis = dict(title='$, Beneficio_por_pedido',
                                          backgroundcolor="#E4E4E4",
                                          gridcolor="white",
                                          showbackground=True,
                                          zerolinecolor="white"),
                             zaxis = dict(title='IDCliente', 
                                          ticksuffix='k',
                                          backgroundcolor="#F6F6F6",
                                          gridcolor="white",
                                          showbackground=True,
                                          zerolinecolor="white")), 
                  scene3=dict(aspectmode='cube', 
                             xaxis = dict(title='Ventas',
                                          backgroundcolor="#F3F3F3",
                                          gridcolor="white",
                                          showbackground=True,
                                          zerolinecolor="white",),
                             yaxis = dict(title='$, Beneficio_por_pedido',
                                          backgroundcolor="#E4E4E4",
                                          gridcolor="white",
                                          showbackground=True,
                                          zerolinecolor="white"),
                             zaxis = dict(title='IDCliente', 
                                          ticksuffix='k',
                                          backgroundcolor="#F6F6F6",
                                          gridcolor="white",
                                          showbackground=True,
                                          zerolinecolor="white"))
                  )
fig.show()

	w
0	0.000000
1	0.025641
2	0.051282
3	0.076923
4	0.102564

	w	ecm
0	0.000000	9400.426271
1	0.025641	8591.726272
2	0.051282	7851.372784
3	0.076923	7179.365806
4	0.102564	6575.705339

	Type	Days for shipping (real)	Days for shipment (scheduled)	Benefit per order	Sales per customer	Delivery Status	Late_delivery_risk	Category Id	Category Name	Customer City	...	Order Zipcode	Product Card Id	Product Category Id	Product Description	Product Image	Product Name	Product Price	shipping date (DateOrders)	Shipping Mode
0	DEBIT	3	4	91.250000	314.640015	Advance shipping	0	73	Sporting Goods	Caguas	...	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	2/3/2018 22:56	Standard Class
1	TRANSFER	5	4	-249.089996	311.359985	Late delivery	1	73	Sporting Goods	Caguas	...	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	1/18/2018 12:27	Standard Class
2	CASH	4	4	-247.779999	309.720001	Shipping on time	0	73	Sporting Goods	San Jose	...	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	1/17/2018 12:06	Standard Class
3	DEBIT	3	4	22.860001	304.809998	Advance shipping	0	73	Sporting Goods	Los Angeles	...	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	1/16/2018 11:45	Standard Class
4	PAYMENT	2	4	134.210007	298.250000	Advance shipping	0	73	Sporting Goods	Caguas	...	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	1/15/2018 11:24	Standard Class

	Ventas	GananciaPorPedido
84	150.000000	23.469999
91	119.970001	32.860001
93	199.949997	55.090000
94	199.949997	68.589996
95	250.000000	51.980000

	DiasEnvio(Real)	DiasEnvio(Programado)	BeneficioPorPedido	VentasPorCliente	RiesgoEntregaTardia	IDCliente	IDPedido	IDArticuloPedido	PrecioArticuloPedido	CantidadArticulosPedido	Ventas	TotalArticulosPedido	GananciaPorPedido	IDProducto	CategoriaProducto	PrecioProducto
count	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000	9918.000000
mean	3.527022	2.977011	22.737589	178.833487	0.537407	6315.521879	31009.398064	77548.855818	133.613664	2.178463	198.937902	178.833487	22.737589	663.466223	30.254386	133.613664
std	1.624354	1.356149	94.256693	101.225074	0.498624	3564.426209	25798.434647	64536.644796	116.668712	1.467132	111.366436	101.225074	94.256693	309.187722	13.649110	116.668712
min	0.000000	0.000000	-1086.390015	9.890000	0.000000	3.000000	7.000000	14.000000	9.990000	1.000000	9.990000	9.890000	-1086.390015	19.000000	2.000000	9.990000
25%	2.000000	2.000000	8.100000	104.370003	0.000000	3318.250000	5655.250000	14098.250000	50.000000	1.000000	119.980003	104.370003	8.100000	403.000000	18.000000	50.000000
50%	3.000000	4.000000	32.115000	163.990005	1.000000	6224.000000	10269.000000	25703.500000	59.990002	1.000000	199.919998	163.990005	32.115000	627.000000	29.000000	59.990002
75%	5.000000	4.000000	63.677500	245.000000	1.000000	9371.000000	56892.000000	142302.750000	199.990005	3.000000	299.950012	245.000000	63.677500	1004.000000	45.000000	199.990005
max	6.000000	4.000000	249.979996	499.950012	1.000000	12434.000000	61584.000000	153996.000000	399.980011	5.000000	500.000000	499.950012	249.979996	1073.000000	48.000000	399.980011

	Pago	DiasEnvio(Real)	DiasEnvio(Programado)	BeneficioPorPedido	VentasPorCliente	EstadoEntrega	RiesgoEntregaTardia	Categoria	CiudadCliente	PaisCliente	...	TotalArticulosPedido	GananciaPorPedido	DestinoPedido	IDProducto	CategoriaProducto	NombreProducto	PrecioProducto	FechaEnvio	ModoEnvio
84	2	4	2	1121	656	1	1	29	57	1	...	656	2693	4	28	13	41	18	1655	2
91	2	4	2	1506	457	1	1	23	57	1	...	457	3078	45	35	15	72	14	122	2
93	3	6	3	2342	810	1	1	23	57	1	...	810	3914	5	35	15	72	14	440	3
94	3	4	3	2750	803	3	0	23	57	1	...	803	4322	45	35	15	72	14	1999	3
95	3	2	3	2239	918	0	0	29	57	1	...	918	3811	45	28	13	41	18	1653	3

	Variable	Coeficiente
7	DestinoPedido	0.110000
8	CiudadCliente	0.090000
4	PaisPedido	0.020000
2	PaisCliente	0.010000
3	Categoria	0.000000
6	RegionPedido	0.000000
10	Categoria	0.000000
5	SegmentoCliente	-0.050000
0	Pago	-0.130000
1	EstadoEntrega	-0.470000
9	ModoEnvio	-0.520000
11	ModoEnvio	-0.520000

	Type	Days for shipping (real)	Days for shipment (scheduled)	Benefit per order	Sales per customer	Delivery Status	Late_delivery_risk	Category Id	Category Name	Customer City	...	Order Zipcode	Product Card Id	Product Category Id	Product Description	Product Image	Product Name	Product Price	shipping date (DateOrders)	Shipping Mode
0	TRANSFER	6	4	55.090000	189.949997	Late delivery	1	29	Shop By Sport	Caguas	...	NaN	627	29	NaN	http://images.acmesports.sports/Under+Armour+G...	Under Armour Girls' Toddler Spine Surge Runni	39.990002	2/13/2017 9:47	Standard Class
1	TRANSFER	6	4	52.500000	187.500000	Late delivery	1	24	Women's Apparel	Caguas	...	NaN	502	24	NaN	http://images.acmesports.sports/Nike+Men%27s+D...	Nike Men's Dri-FIT Victory Golf Polo	50.000000	2/13/2017 9:47	Standard Class
2	TRANSFER	2	4	74.089996	284.950012	Advance shipping	0	3	Baseball & Softball	Caguas	...	NaN	44	3	NaN	http://images.acmesports.sports/adidas+Men%27s...	adidas Men's F10 Messi TRX FG Soccer Cleat	59.990002	5/2/2015 23:49	Standard Class
3	TRANSFER	3	4	33.220001	293.950012	Advance shipping	0	17	Cleats	Caguas	...	NaN	365	17	NaN	http://images.acmesports.sports/Perfect+Fitnes...	Perfect Fitness Perfect Rip Deck	59.990002	2/9/2017 6:27	Standard Class
4	TRANSFER	6	4	-9.050000	65.580002	Late delivery	1	29	Shop By Sport	Edison	...	NaN	627	29	NaN	http://images.acmesports.sports/Under+Armour+G...	Under Armour Girls' Toddler Spine Surge Runni	39.990002	3/16/2015 0:15	Standard Class

	DiasEnvio(Real)	DiasEnvio(Programado)	BeneficioPorPedido	RiesgoEntregaTardia	IDCliente	IDPedido	IDArticuloPedido	PrecioArticuloPedido	CantidadArticulosPedido	Ventas	TotalArticulosPedido	GananciaPorPedido	IDProducto	CategoriaProducto	PrecioProducto	Clean Price	clean_Beneficio_por_pedido	clean_Ventas
count	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000	200.000000
mean	3.645000	3.230000	25.065700	0.500000	6810.145000	29433.165000	73592.740000	75.513051	2.960000	174.781452	157.354601	25.065700	426.260000	19.885000	75.513051	75.513051	49.493500	174.781452
std	1.568847	1.250969	70.721360	0.501255	3554.197325	25063.081571	62684.251195	76.721549	1.603514	107.654600	98.696331	70.721360	237.025373	10.537408	76.721549	76.721549	56.311998	107.654600
min	0.000000	0.000000	-459.000000	0.000000	17.000000	117.000000	272.000000	19.990000	1.000000	22.000000	18.480000	-459.000000	37.000000	3.000000	19.990000	19.990000	0.000000	22.000000
25%	2.000000	2.000000	9.070000	0.000000	3983.000000	5668.000000	14127.000000	39.990002	1.000000	99.989998	80.000000	9.070000	191.000000	9.000000	39.990002	39.990002	14.267500	99.989998
50%	4.000000	4.000000	27.315001	0.500000	7718.000000	10114.500000	25273.500000	50.000000	3.000000	129.990005	126.739998	27.315001	403.000000	18.000000	50.000000	50.000000	33.995001	129.990005
75%	5.000000	4.000000	52.264999	1.000000	9574.000000	54236.000000	135603.250000	92.489998	5.000000	250.000000	217.500000	52.264999	502.000000	24.000000	92.489998	92.489998	59.605001	250.000000
max	6.000000	4.000000	232.729996	1.000000	12431.000000	61515.000000	153828.000000	399.980011	5.000000	499.950012	474.950012	232.729996	1004.000000	45.000000	399.980011	399.980011	459.000000	499.950012

	Pago	DiasEnvio(Real)	DiasEnvio(Programado)	EstadoEntrega	RiesgoEntregaTardia	Categoria	CiudadCliente	PaisCliente	IDCliente	SegmentoCliente	...	DestinoPedido	EstadoPedido	IDProducto	CategoriaProducto	NombreProducto	ModoEnvio	Clean Price	clean_Beneficio_por_pedido	clean_Ventas	TotalArticulosPedido
0	3	6	4	1	1	14	14	1	6398	0	...	5	5	627	29	19	3	39.990002	55.090000	199.949997	108
1	3	6	4	1	1	16	14	1	6398	0	...	5	5	502	24	7	3	50.000000	52.500000	250.000000	105
2	3	2	4	0	0	1	14	1	1273	0	...	5	7	44	3	25	3	59.990002	74.089996	299.950012	144
3	3	3	4	0	0	5	14	1	11106	0	...	26	7	365	17	11	3	59.990002	33.220001	299.950012	146
4	3	6	4	1	1	14	22	0	9884	1	...	31	7	627	29	19	3	39.990002	9.050000	79.980003	32

Tecnicatura Superior en Ciencia de Datos e Inteligencia Artificial¶

Práctica Profesionalizante I¶

Análisis de la Cadena de Suministro¶

Modelado Predictivo¶

Comenzamos con la regresión lineal simple¶

Vamos a realizar la regresión lineal entre:¶

Ventas y Ganancia Por Pedido¶

Graficamos la relación¶

Recta lineal¶

Agreguemos una recta sobre nuestra gráfica¶

Podemos cambiar los valores de w y b para "jugar" con la recta, y ajustarla para obtener el menor error posible¶

Cálculo del Error de predicción¶

Regresión Lineal Simple - Ventas y Ganancias por Pedido¶

Conceptos Básicos:¶

Procedimiento:¶

Conclusión:¶

Árbol de decisión¶

Importar librerias¶

Seleccionar Características Descriptivas y Variable Objetivo¶

Preprocesamiento de datos¶

Codificación de Variables Categóricas¶

Manejo de Valores Nulos¶

Dividir el Dataset¶

Inicialización y entrenamiento del modelo¶

Evaluación del modelo¶

Resultados del modelo¶

Mejora del modelo¶

Ajuste de hiperparámetros¶

Entrenamiento con los mejores hiperparámetros¶

Evaluación del modelo optimizado¶

Resultados del modelo optimizado¶

Análisis de la importancia de características¶

Validación cruzada¶

Matriz de confusión¶

Curvas de aprendizaje¶

REGRESION LOGISTICA¶

2. Análisis exploratorio con gráficos¶

Una regresión lógistica requiere de dos tipos de variables.¶

Para terminar el análisis exploratorio se hace un mapa de calor que indica las correlaciones, esto puede fortalecer los primeros hallazgos o refutarlos¶

Con este mapa de calor se nota que:¶

3. Desarrollo y validación de la Regresión Logística¶

Creación de variables¶

Se crea una variable X que contendrá las variables independientes¶

Ahora se crea la variable independiente¶

Se separa el conjunto de datos entre entrenamiento y test¶

Se entrena la Regresión Logística¶

Una regresión logistica arroja una probabilidad de que el resultado sea 1 y una probabilidad de que sea cero¶

Hecho eso, se asigna el número 1 o 0 según sea mayor la probabilidad¶

Se utiliza la regresión entrenada para que arroje las probabilidades¶

En esta matriz de confusión vale la pena dedicar algunas líneas, puesto que indica que tan bien o mal esta el modelo prediciendo:¶

Todo esto se puede observar en el siguiente reporte que se obtiene de directamente de Python¶

Como última validación del modelo, se revisa cuanto peso tienen las variables independientes en el resultado de la predicción¶

Conclusiones:¶

Clustering¶

tomar las primeras 100 filas de cada pais para reducir el dataset a fines practicos,¶

AQUI COMENZAMOS CON EL CLUSTERING USANDO EL CODIGO ANTERIOR¶

Analisis EDA¶

Agrupamientos¶

hay que poner numericos las variables categoricas para poder hacer la grafica¶

aqui ver si hay variables de interes...para tener en cuenta para los clusters¶

El grafico del numero optimo de clusters varia al utilizar el dataset sin filtrar las primeras 100 columnas, pero el resultado es 5¶

A continuacion se prueban distintos tipos de agrupaciones,solo a fines practicos¶

tomaremos especial intereres en las ventas y el beneficio reportado¶

Importante: El analisis de ventas y beneficio por pedido se realiza en el informe¶

CLUSTERING JERARQUICO - Hierarchical Clustering¶

DBSCAN¶

Comparación de perfiles de clúster¶

Conclusion¶